1. SVM优化问题
1) 原问题
2) 拉格朗日形式的表述
其中，
。
3) 对偶问题
4) SVM分类器
(i) 
(ii) 选
，
，然后
。
(iii)SVM分类器 
2. SMO算法
1) 基本思想：迭代下降、坐标下降
一次要选择两个变量（否则会破坏
的约束），之后就可以解这个双变量优化问题。
2) 两个变量的优化
任取
,
作为变量，其他
作为常量。
展开的矩阵大致如下：
目标函数=
这样
,
,
,
。
约束
(对应对偶问题)
，这里d代表其余不改变的那些
。
化到单变量的话，
所以，
，最优条件
，其中
和
分别为lower/upper bound。故必有最优点在L、H之间或者L、H之一。
，
，可以解得
这里虽然需要迭代很多次，但是迭代的每一步都比较快。
至于如何选择
，第一个变量可以选择
，同时
最大。第二个变量选择
最大的。
这节课主要是讲线性优化的对偶问题。感觉这东西貌似在运筹学的时候被折腾过一遍，现在又来了-_-||
附赠个老的掉牙的段子...
有人问经济学家一个数学问题，经济学家表示不会解...
然后那个人把这个数学问题转成了一个等价的最优化问题，经济学家立马就解出来了...
好吧，我还是乖乖的赘述一遍对偶问题吧，表示被各种经济学最优化问题折磨过的孩子这点儿真是不在话下。
--------------------------------------------------------------------
1) 优化问题
一个典型的最优化问题形如：
(不等式约束)
（等式约束）
2) 优化问题的Lagrange （拉格朗日）函数
3) 对偶函数
称为该优化问题的对偶函数。此时，
，显然这个时候一阶偏导数为0。
4) 对偶问题
我们称
为原优化问题的对偶问题，可化为最优化问题的标准形式
。
如果原优化问题为凸优化，则
必为凹函数，从而最终的标准形式依旧是一个凸优化问题。
5) 弱对偶性
令
为原问题的解，则
，且
，
.
令
为对偶问题的解，则
; 
.
定理（弱对偶性）：
，即对偶问题的优化值必然小于等于原问题优化值。
6) 强对偶性
当
时，两者具有强对偶性；满足该条件的称之为constraint qualifications，如Sliter定理。
强对偶性满足的时候，原优化问题就可以化为一个二步优化问题了。
7) KTT条件（库恩-塔克条件）
局部最优化成立的必要条件：
（一阶条件）
注：SVM满足强对偶性，所以可以直接解对偶问题。
1) SVM的最优化问题
上节课可知，SVM的最优化问题为：
写成标准形式就是
这样这里总计有2N个约束条件。
对应的Lagrange函数为：
这样一阶条件就是
这样最后我们有
.
3) 对偶函数
这里的对偶函数就是
4) 对偶问题
5) KKT条件
6) SVM分类器
, 
：找到一个
（非边界上），从而满足
。由
，我们可得
, 
，故只与内积有关。这样下节课就会讲到解对偶问题的方法，以及SVM和kernel methods的联系。