上一篇说到SVM需要求出一个最小的||w|| 以得到最大的几何间隔。
求一个最小的||w|| 我们通常使用
来代替||w||,我们去求解 ||w||2 的最小值。然后在这里我们还忽略了一个条件，那就是约束条件，在上一篇的公式（8）中的不等式就是n维空间中数据点的约束条件。只有在满足这个条件下，求解||w||2的最小值才是有意义的。思考一下，若没有约束条件，那么||w||2的最小值就是0，反应在图中就是H1和H2的距离无限大那么所有点都会在二者之间，都属于同一类，而无法分开了。
求最小值的目标函数和约束条件s.t.
（1）
xi和yi分别表示样本向量和样本所属的标签，w 是自变量，本身是一个向量。
求最小值也就是求最优值，它有一个很好听的名字叫做规划，而我们的目标函数是1/2 * ||w||2是一个二次函数，二次函数属于凸函数，所以改求解也就有个更好听的名字叫做凸二次规划
对于这种带有约束条件的规划问题，我们可以通过一定的方式把约束条件去掉！
凸函数和凸集
这里提一下凸函数，提到凸函数就要提交凸集或者凸包，凸集内的如意两个点的连线，都在凸集之内。满足这样的集合就叫凸集，比如正方形，六边形都是凸集。
那么凸函数：对区间[a,b]上定义的函数f，若它对区间中任意两点x1,x2均有：
（2）则称f为区间[a,b]上的凸函数。
引入拉格朗日乘数，来消除约束条件
拉格朗日乘子法：
对于 带约束的优化问题：
（3）
则可以通过拉格朗日乘子构造拉格朗日函数
（4）
其中a是一个拉格朗日乘子构成的向量（a1,a2,a3,a4,....）ai>0
然后在对x 和 拉格朗日乘子a 求导，连立方程求出x 和 a ,再把x代入目标函数中求得极值.
回到我们的问题，通过拉格朗日乘子法构建拉格朗日函数, 在此之前我们把约束条件左边加上负号，让其条件变成小于0
（5）
我们设
（6）
如果xi满足约束条件，yi(w * xi + b) >= 1，则 θp(x)要取最大值，只能让 α= 0 就是取0向量，则
（7）
如果xi不满足条件 yi(w * xi + b) <= 1 要取最大值，那么α 可以无限大，所有
（8）
所以我们看以看出 θp(x) 已经实现了把约束条件变成无约束条件
所以（1）中的带有约束条件的目标函数，就可以变成求（6）式（不带约束）的最小值，原因就是上面（7）和（8）公式 :
（9）
我们直接求解此比较困难，需要这个式子转换成它的对偶问题（min 和 max 调换位置），再去求解这个对偶问题：
（10）
为什么可以通过转换成对偶问题来求解原问题呢？因为存在这样一条定理设原问题的解为p* 它的对偶问题解为d*,一般情况下有d*<=p*, 证明过程就不写了。
所以求解对偶问题只能得到原问题解的下界，而不能保证d* = p*。
对这个对偶问题进行求解，先求minw,bL(w,b,a) 把a 当做常数 对w 和 b分别求导可以得到：
(11)
(12)
把（11）和（12）式代入 （5）式中可以求得minw,bL(w,b,a)
（13）
可以看到（13）式中的w 和 b都消失了，（13）式是minw,bL(w,b,a)的值，求完最小值，还要求maxai>0
(14)
如果把（14）问题中的 a 求出来，那么w 也就能求出来（通过（11）），b 也就可以求出了。
先不管怎么把a 求出来，因为这里有很多算法可以去求解，用的最多的就是SMO算法。
我们接下来证明这个通过对偶问题求出来的解 d* 就是我们想要的原问题解 p* ,这里就要介绍到KKT条件
根据（11）和 （12）式，我们可以得出
再根据原问题中的约束条件，我们可以得出
这5个条件加起来就满足了KKT条件，KKT条件是对偶问题的解d* = p* 的充分必要条件
以下是证明过程：