主要公式步骤:
原距离问题的函数：
1.将SVM的距离问题转化为拉格朗日函数：
2.原函数问题化成如下问题：
3.对各非拉格朗日参数求偏导来求min值：
4.将上面 令各偏导等于0 的结果带回 拉格朗日函数 消去非拉格朗日参数（w,b,￡）
结果为：
步骤：
5.用SMO算法求α：
KKT条件：
将拉格朗日函数转化为下面函数：
根据 α1y1+α2y2 = k（常数），可以将他们（α1,α2）替换成一个变量，且有一个范围：
对于左边：
对于右边：
所以最小值区域：
原式：
简化为：
将α1转化为α2
代入上面：
求导：
6.将α代入
求得w,μ
7.用0<α<C的样本（支持向量）求出b
变量选择：
第一个变量：
SMO算法称选择第一个变量为外层循环，这个变量需要选择在训练集中违反KKT条件最严重的样本点。对于每个样本点，要满足的KKT条件：
一般来说，我们首先选择违反
这个条件的点。
如果这些支持向量都满足KKT条件，再选择违反
的点。
第二个变量的选择
重要参数总结图：
