SVM现在主流的有两个方法。一个是传统的推导，计算支持向量求解的方法，一个是近几年兴起的梯度下降的方法。 梯度下降方法的核心是使用了hinge loss作为损失函数，所以最近也有人提出的深度SVM其实就是使用hinge loss的神经网络。
本文的目的是讲解传统的推导。
SVM的超平面
SVM模型的基本原理，就是寻找一个合适的超平面，把两类的样本正确分开。单个SVM只能处理二分类，多分类需要多个SVM。
【什么是超平面？】
超平面就是n维度空间的n-1维度的子空间。换成人话就是2维空间中的1维度的线，三维立体空间的二维平面。
图中总共有5个超平面，那么哪一个是最好的呢？我们认为中间的那个是最好的。因为他对两侧的间隔较大。
SVM基本型
超平面我们可以用这个方程来表示：
(m{w^Tx}+b=0)
空间中任意一个点x到这个超平面的垂直距离为：
(d = frac{|m{w^Tx}+b|}{||m{w}||})
这里不得不提到一下逻辑回归，对于逻辑回归来说：
就是在超平面一侧的样本，逻辑回归给出的预测类别是1，另外一侧就是0.
但是SVM觉得这样有一些过于绝对了，所以：
不仅仅要一个样本在平面的一侧，还要在平面的这一侧足够远的地方，才能算作某一类的样本。
从图中可以看到，两条虚线之外的点，才是SVM能确定是正样本还是负样本的点。
【什么是支持向量？】
图中距离超平面最近的几个训练样本，并且这几个训练样本可以让上式的等号成立。这个点就是支持向量。
【什么是SVM的间隔】
两个不同类别的支持向量到超平面的最小距离之和。其实也就是(frac{2}{||w||})
到这里，我们可以隐隐约约的发现，寻找最优的超平面其实等价于寻找一个最大的间隔，或者说让间隔最大化。所以可以得到：
(max_{w,b} frac{2}{||m{w}||})
这个的约束条件就是：让SVM给正样本的打分大于1，给负样本的打分小于-1,也就是：
简化一下这个约束条件，可以得到：
(y_i(m{w^Tx_i}+b)>=1)
一般我们都是求取最小化问题，所以把最大化max问题取倒数，变成最小化问题：
(min_{w,b} frac{||m{w}||}{2})
这里为了后续的计算方便，最小化(||w||)等价于最小化(||w||^2),所以得到：
(min_{w,b} frac{||m{w}||^2}{2})
总之SVM的基本型就是:
SVM求解
现在求得了基本型。现在可以来进一步优化这个最小化问题。但是首当其冲的问题便是，如何处理这个约束条件。这里用到的方法是拉格朗日乘子法。将约束条件以(alpha_i)的权重加入到优化问题中，所以可以得到：
(Loss(m{w},b,m{alpha})=frac{1}{2}||w||^2+sum^m_{i=1}alpha_i(1-y_i(w^Tx_i+b)))
- 这里的loss就是我们要最小化的对象；
- 这里的m就是支持向量的数量。
为了最小化这个问题，对w和b求偏导数，可以得到：
(w = sum^m_{i=1}{alpha_iy_ix_i})
(0 = sum^m_{i=1}{alpha_iy_i})
然后把这两个公式代入到：
(Loss(m{w},b,m{alpha})=frac{1}{2}||w||^2+sum^m_{i=1}alpha_i(1-y_i(w^Tx_i+b)))
可以消掉w和b，得到：
约束条件为：
从而根据这个计算出(alpha_i)的取值，然后得到w和b的取值。
【到底如何求解(alpha)?】
上面说的最后一部求解alpha，都是理论可以求解，但是实际中如何做到呢？其实这里如何求解(alpha)要用到另外一个条件。
就是上述过程要满足一个叫做KKT的条件（KKT具体是什么有点复杂，就不多说了）：
- 想要第三个公式成立，要么(alpha_i)等于0，要么(y_if(x_i)-1=0).如果alpha=0，那么意味着这个样本不是支持向量，不应该对SVM超平面起到任何影响，所以是不可能的。所以只有(y_if(x_i)-1=0)。
加上了这个条件，我们可以求解出来(alpha_i)的具体数值，然后求解w和b的数值。
假设有3个支持向量，那么就会有三个(alpha_1, alpha_2, alpha_3) ,然后根据(y_if(x_i)-1=0)可以列出3个关于(alpha_1,alpha_2,alpha_3)的三元一次方程组，然后得到唯一解。