讨论前提：两类，线性可分（广义判别函数意义下）
准备工作：样本规范化（如果样本集是线性可分的，将属于类别2 的所有样本由 y变成 –y，对所有 n 样本，将得到 aTy>0）
样本增广（将所有样本写成齐次坐标形式，即 y = (x',1) ,把n维样本加上阈值构成n+1维的样本）
求解:
对应每个样本yi ,通过令a' * yi＝0,可以得到一个超平面，n个样本将得到n个超平面，它们的正半空间的交集区域内存在解向量。
问题出现在无论这个交集有多大，只要样本线性可分，总是会存在无穷多个候选的a,我们要取用哪一个。
这就需要一个准则来判断a的好坏：
这里由于y分错了，a*y就会小于零，换而言之，这个J（a）总是大于等于零的，就训练样本而言我们当然希望他是零，也就是不存在错分点。
接下来的问题就是要最小化J(a).
使用的算法是梯度下降法：
参数更新值 = 参数当前值 - 迭代步长 * 目标函数的梯度 。
图形化解释上面的过程，就是不断的改变a的方向以使得错分样本能够进入正半空间。
判断a如何的准则不止一个，又如：
综合来讲，松弛准则会更好一点，克服了梯度不连续（线性准则），与下降过慢（平方准则）等缺点。
最小平方误差（MSE）准则函数
过去的目标是
，现在改成
这样子的好处是：将n个样本得到的n个不等式规划问题，转换成了n个等式的联合求解过程（即解方程组）。
由于样本个数要大于空间维数，所以Y通常不可逆，所以我们要评价
，解得a使得e最小。
准则是
求偏导数得：
想求得偏导数等于零的点，由于高维中的伪逆并不好求，所以常用梯度下降进行处理：
