背景
上一篇文章总结了linear hard SVM，解法很直观，直接从SVM的定义出发，经过等价变换，转成QP问题求解。这一讲，从另一个角度描述hard SVM的解法，不那么直观，但是可以避免feature转换时的数据计算，这样就可以利用一些很高纬度（甚至是无限维度）的feature转换，得到一些更精细的解。
?
拉格朗日乘子式
首先，回顾一下SVM问题的定义，如下：
线性约束很烦，不方便优化，是否有一种方法可以将线性约束放到优化问题本身，这样就可以无拘无束的优化，而不用考虑线性约束了。拉格朗日大神提供了一种方法，可以达到这个目的，称之为拉格朗日乘子式（更通用的方法参考文章"简易解说拉格朗日对偶"），形式如下，
这个公式是不是很奇怪，无端的多处了N个变量，但是再看下面的变化，就知道这个拉格朗日乘子式的厉害了。
?
什么，SVM问题等于右边那个min max？没错，虽然初看感觉不科学，但是仔细分析，的确如此。首先，由于，令f(w,b) = ，
?
当f(w,b) > 0，在w，b固定的情况下，，max会将放大到；
当f(w,b)0，那么，那么。
所以，综合两种情况，SVM问题与min max变换公式等价。是不是很奇妙，不得不佩服拉格朗日大神。
?
?
对偶变换
上面的问题中min max的形式不方便求解，不过可以通过一番变化，导出max min的形式，这样就可以从内到外，先计算里面的min，然后计算外面的max。这种变化叫对偶变化。
首先选任意一个固定的，并且，那么有
两边通过w,b取min，等式仍然成立，即
有多重选择，但是上面的不等式一致成立，所以在众多的选择一个最大，上面的等式变形为，
?
这样，min max就和max min建立了一定的联系，但是由于是""，称之为弱对偶（week duality）。""强对偶（strong duality）如何才能成立呢？需要满足下面的条件，
- 原始问题是凸问题
- 原始问题线性可分
- 线性约束条件
太桥了，SVM问题完全符合上述约束，所以是对偶，这样可以通过解右边max min的问题来得到最终解！
?
问题化简
经过上面的对偶变化，下面来一步一步的简化我们的原始问题，
首先对b求偏导数,并且为0，有如下结果
带入这个结果到上面的公司，化简
?
接下啦，对w求偏导数，
?
?
所以，向量w为
将w带入，并且去掉min，得到如下
执行到这里，现在目标函数只与有关，形式满足QP，可以轻易得到，也就是得到w。但是在计算过程中，需要计算一个中间矩阵Q，维度为N*N，这个是主要计算开销。上一讲无需计算这个Q，因为Q的形式十分简单。
?
问题来了，如何求解b，上面的目标函数中，在之前的简化过程中消去了b，已经与b无关。
?
计算b
现在只剩下最后一个问题，如何计算b? 在之前的简化过程中消去了b，上面的QP解与无关。
?
KKT条件帮助我们解决这个问题。如果原始问题和对偶问题都有最优解，且解相同，那么会满足KKT条件。这也是一个充分必要条件，其中很重要的一点是complementary slackness(互补松弛性)，该条件有下面等式成立，
由于（对偶条件），且（原始条件），那么两者有一个不为0时，另外一个必然为0。所以，只要找到一个，就可以利用这个性质计算出b，计算方法如下：
两边乘以,
理论来说，只需要一个点就可以，但是实际上由于计算有误差，可能会计算所有的b，然后求平均。并且这些可以计算出b的点，就是支持向量，因为他们满足了原始问题中支撑向量的定义。但是，并不是所有的支撑向量，都有对应的。一般的，我们只用的向量称为支撑向量，而那些满足支撑向量定义的向量称之为候选支撑向量，有如下关系
并且，为了简化计算，在计算w的时候，的计算均可以省去，如下
w的哲学
通过上面的计算，其实最后w是（）的线性组合。同样的，PLA中w也是（）的线性组合。只是SVM利用支撑向量求解这个线性组合，PLA使用错误的向量。同理，逻辑回归，线性回归也有类似规律，称这种现象为"w represented by data"。
总结
本节使用对偶问题，从另外一个侧面求解了SVM，并且数据学推导相对复杂，计算量也增加了许多，因为需要求解一个N*N维度的矩阵Q。但是，为什么要做这些事情呢，hard linear SVM要简单许多复？其实换成对偶问题是为了利用kernel做铺垫，改kernel可以将维度转化的计算省略，从而可以计算很复杂的转化，这一点下一节讨论。
?
?
PS:划线部分段落是由于包含公式，无法正常显示，所以采用图片方式在下方显示。