SVM（支持向量机）算法用于构建优化目标

写在前面

本文对SVM（support vector machine）算法进行简要概述。

掌握SVM算法主要面临三个关键难点：

• 如何推导出基础的优化目标函数。（其中包括对函数距离与几何距离概念的深入理解）
• 如何将原始优化目标表达式转化为其对应的对偶形式。
• 在完成对偶问题转化后，如何求解拉格朗日乘子，这正是SMO算法所涉及的内容。

因此，本文将从三个方面展开对SVM算法的讲解。

• SVM【上】之形成优化目标
• SVM【中】之转化对偶问题
• [SVM【下

问题描述

SVM作为一种用于目标分类的算法，其核心目标是实现如图（左）所示的分类效果。然而，最基础的SVM模型仅适用于如图（右）所示的线性可分问题。因此，我们应从线性可分这一类型入手，逐步推进分类问题的解决过程。所谓线性可分，指的是该问题能够明确界定分类边界，从而将两类数据完全区分开来，如图（右）所示的情形即为此类情况。

针对线性可分的情形，需要在众多可能的分类界限中确定一个最优的分割面。

形成优化目标

从直观角度分析，应