SVM公式详尽推导，没有思维跳跃。

假定数据集\(T=\{(x_1,y_1),(x_2,y_2),...,(x_n,y_n)\}，x_n \in R_k, y_n \in \{1,-1\}\)【另外可以看这里】

[1]:公式\(\eqref{1}\)的解释，见线性可分,运算符号‘\(·\)’为向量的点积运算.

[2]:公式\(\eqref{2}\)最里面的公式为点到超平面的距离，见.

[3]:

• \(max(min(y\frac{kw·x+kb}{||kw||}))=max(y_k\frac{kw·x_k+kb}{||kw||})\)的解释：
  对于任意一个超平面\((w,b)\)可行解，都存在一个点\((x_k,y_k)\)（自己在三维空间中想一下，对于某个能完全正确划分数据集的平面\((w,b)\)，都会有一个离其最近的点\((x_k,y_k)\)），使得\(min(y\frac{kw·x+kb}{||kw||})\)=\(y_k\frac{kw·x_k+kb}{||kw||}\).

• \(max(y_k\frac{kw·x_k+kb}{||kw||})=max(\frac{1}{||k_1w||})\)的解释：
  因为\(y(kw·x+kb)>0\)取任何值，都会有分母对应其值，使其回到原来的值。另外可以这样理解：不管\(y(w·x+b)>0\)取什么值，都存在一个值\(k_1\)使得\(y(k_1w·x+k_1b)=1\)，所以我们可以把\(y(w·x+b)\)的值限制为1，至于为什么要这么做，应该是为了简化表达式，但是这样子\(b\)就没法优化了，后面的优化还没看。

可行解: 对于某个问题，如果某个结果满足其约束条件，那么该结果就是该问题的可行解。比如：
有以下问题：

那么\(y=4\)就是可行解，因为其满足约束条件。