从上一篇文章可知支持向量(supervector)就是指的离分隔超平面近期的那些点。整个SVM最须要的步骤是训练分类器。得到alpha，从而得到整个用于数据分类的分隔超平面。支持向量机（super vector machine。SVM）的一般应用流程例如以下：
（1） 收集数据：能够使用随意方法
（2） 准备数据：须要数值型数据
（3） 分析数据：有助于可视化分隔超平面
（4） 训练算法：SVM的大部分时间源自训练。该过程主要实现两个參数的调优
（5） 測试算法：十分简单的计算过程就能够实现
（6） 使用算法：差点儿全部分类问题都能够使用SVM。SVM本身就是一个二类分类器。对多类问题应用SVM须要对代码做一些改动
为了降低SVM的训练时间，提高效率。引入了序列最小化（Sequential Minimal Optimizaton,SMO）算法。SMO算法是将大优化问题分解为多个小优化问题来求解的。
这些小优化问题往往非常easy求解。而且对它们进行顺序求解的结果与将它们作为总体求解的结果一致。
SMO的工作原理是基于Coordinate ascent算法的。
1、 Coordinate ascent
如果优化问题为：
我们依次选择当中一个參数。对这个參数进行优化，会使得W函数增长最快。
用图1能够表示整个过程。
图1
2、 SMO
SMO算法就是在每次循环中选择两个參数进行处理。比Coordinate Ascent里多一个參数。
从上一篇文章可知优化问题表示为：
从（19）式中可知
这样子能够看出。选择出一个參数。不改变其它的參数，这个參数也不会随之改变。因此也就达不到优化的目的。
所以SMO算法就是选择两个參数来进行优化。
将结果用參数取代得
因此能够用图2来表达（20）式
图2
从图2中能够看出。
。从（20）式中，能够推导出
因此可知
将作为常数
，其余两个參数的优化可表示为
再根据（20）式能够得到
，从而根据上一篇文章能够得到分隔超平面用于分类。