一、支持向量機的求解過程

個人理解：下文所有下標i、j均可相互替換，c和C表示同一常數。

支持向量機的對偶問題為： 最大化：θ(α,β)=∑αi-1/2∑∑yiyjαiαjφ(Xi)Tφ(Xj)；

限制條件：（1）0≤αi≤C，i=1~N；（2）∑αiyi=0，i=1~N。

因為φ(Xi)Tφ(Xj)=K(Xi,Xj)（K(Xi,Xj)為核函數，詳見），所以只需知道核函數K(Xi,Xj)即可求解該對偶問題。該對偶問題解的結構為一組αi的值（個人理解：αi的值同時也為αj的值），其中i=1~N。

解得αi的值后可根據ω=∑αiyiφ(Xi)求解ω的值（支持向量機問題需解得超平面ωTφ(X)+b=0中的ω和b的值），但因為φ(Xi)不一定具有顯式表達式，所以ω不一定具有顯式表達式。

雖然ω不一定具有顯式表達式，但ωTφ(X)+b的形式可以通過核函數K(X1,X2)求得，下文介紹具體求解過程：

因為ω=∑αjyjφ(Xj)，所以ωTφ(Xj)=∑αjyjφ(Xj)Tφ(Xi)=∑αjyjK(Xj,Xi)。

根據KKT條件（KKT條件見機器學習相關介紹（12）——支持向量機（原問題和對偶問題）），且持向量機的對偶問題的另一個形式為： 最大化：θ(α,β)=inf{1/2||ω||2-C∑βiδi+∑αi[1+δi-yiωTφ(Xi)-yib]}； 限制條件：（1）αi≥0，i=1~N；（2）βi≥0，i=1~N。

可得：對所有的i=1~N，βiδi=0且αi[1+δi-yiωTφ(Xi)-yib]=0。

根據βiδi=0可得(c-αi)δi=0（個人理解：此步驟也需根據機器學習相關介紹（13）——支持向量機（轉化為對偶問題）中求偏導得出的等式αi+βi=C）

若對某個i，αi≠0且αi≠c，則根據KKT條件，則有δi=0且1+δi-yiωTφ(Xi)-yib=0。

又因為yiωTφ(Xi)=∑αiyjyiK(Xj,Xi)，所以只需使用一個滿足0＜αi＜c的αi值，即可通過下式求得b： b=(1-∑αjyjyiK(Xj,Xi))/yi

綜上，ωTφ(X)+b=∑αiyiK(Xi,X)+b，即在不知道φ(X)，只知道K(X1,X2)的情況下，ωTφ(X)+b的表達式也可被求出。該結論被稱為“核函數戲法”（KERNEL TRICK）。

最終，支持向量機的判別標準為： 若∑αiyiK(Xi,X)+b≥0，則X∈C1； 若∑αiyiK(Xi,X)+b＜0，則X∈C2。

二、支持向量機的算法流程

（1）訓練過程

輸入訓練數據{(Xi,yi)}，i=1~N，其中，yi=±1。并求解： 最大化：θ(α,β)=∑αi-1/2∑∑yiyjαiαjφ(Xi)Tφ(Xj)；

限制條件：

（1）0≤αi≤C，i=1~N；（2）∑αiyi=0，i=1~N。

得出一組αi的值，再通過一個滿足0＜αi＜c的αi值，根據下式求b： b=(1-∑αjyjyiK(Xj,Xi))/yi

求解出αi和b后，支持向量機的訓練過程完成。

（2）測試過程

考察測試數據X，預測其類別y： 若∑αiyiK(Xi,X)+b≥0，則y=+1（X∈C1）； 若∑αiyiK(Xi,X)+b＜0，則y=-1（X∈C2）。

審核編輯：劉清