SVM-支持向量机原理详解与实践之二

1. SVM原理分析

   以下内容接上篇。

   1. 拉格朗日对偶性（Largrange duality）深入分析

前面提到了支持向量机的凸优化问题中拉格朗日对偶性的重要性。

因为通过应用拉格朗日对偶性我们可以寻找到最优超平面的二次最优化，

所以以下可以将寻找最优超平面二次最优化（原问题），总结为以下几个步骤：

1. 在原始权重空间的带约束的优化问题。（注意带约束）
2. 对优化问题建立拉格朗日函数
3. 推导出机器的最优化条件

4. 最后就是在对偶空间解决带拉格朗日乘子的优化问题。

   注：以上这个四个步骤是对优化问题的的概括，后面会注意讲解这几个步骤。

于是首先想到的几个随之而来的几个问题：

• 第一个问题是拉格朗日对偶性是什么？
• 第二问题是为什么拉格朗日对偶性可以帮助我们找到最优超平面的二次最优化？

• 第三个问题是如何运用拉格朗日对偶性找到最优超平面的二次最优化？

  下面的内容将对以上三个问题进行深入的分析。

  首先对于第一个问题，我们首先必须清楚两个概念即原问题和对偶问题,以及他们之间的关系.

1. 原问题

假设

文章来源: wenyusuran.blog.csdn.net，作者：文宇肃然，版权归原作者所有，如需转载，请联系作者。

原文链接：wenyusuran.blog.csdn.net/article/details/81778342