设输入为$x$，表示训练集的特征向量，输出为$y=\{1,-1\}$，这些向量都属于两类中的其中一类，假设这些向量是线性可分的，现在要找一个最优的平面（在二维的时候为一条直线），将这些特征向量正确分类，除此之外，能够将新的输入分到合适的类。
设中间直线方程为
$$\hat \omega x+\hat b=0$$
好了，svm中不是还有另外两条边界线吗？他们就是中间这条直线的左膀右臂，而且到中间这条直线的距离是一样的，这两条边界线正好和两侧的特征向量紧挨着，他们的方程就可以表示为
$$\hat \omega x+\hat b=k\\
\hat \omega x+\hat b=-k$$
为什么等号右边一个是$k$，一个是$-k$呢，因为他们到中间直线的距离都一样啊，只是方向不一样而已，好了，下面做个简单的变换，将等号两边同时除以$k$，则得到
$$\frac {\hat \omega x}{k}+\frac{\hat b}{k}=1\\
\frac {\hat \omega x}{k}+\frac{\hat b}{k}=-1$$
好了，此时再设
$$
\omega=\frac {\hat \omega}{k} \\
b=\frac{\hat b}{k}
$$
那么，两条边界直线就变成了
$$\omega x+b=1\\
\omega x+b=-1$$
而且将两式相加，就得到中间的直线方程了
$$\omega x+b=0$$
看到了吧，很多文章都在讲什么函数间隔，几何间隔，我不讲这些概念，我只讲距离，免得绕来绕去绕到死胡同里。
这个时候，如何求两条边界线之间的距离呢？
简单，因为两条边界到中间直线的距离相等，所以只需要求出一条边界线到中间直线的距离，再乘以2，就得到结果了。那怎么求一条边界线到中间直线的距离呢？
这个简单，运用高中数学空间几何的知识就搞定了，设点P在中间直线上，点Q在边界直线上，那么$$\overrightarrow{PQ} \cdot \omega = |\overrightarrow{PQ}|\cdot cos(\theta) \cdot |\omega|=d\cdot|\omega|$$
好了，$\overrightarrow{PQ} \cdot \omega$等于多少呢？就等于1啦，因为$\omega$是法向量，点P在中间直线上，点Q在边界直线上，将两条直线方程相减，等号左边就是$\overrightarrow{PQ} \cdot \omega$，等号右边就是1.
所以一条边界线到中间直线的距离$d$等于多少呢？
$$d=\frac{1}{|\omega|}$$
那么，两条边界线之间的距离也就是$\frac{2}{|\omega|}$了
好了，只要能够求出$d$取最大值时的$\omega,b$值，就可以得到最优的分类直线了，当然，在高维空间，就可以得到最优的分类超平面了！
要知道，只有紧挨着边界线的向量到中间直线的距离才是$d$，边界线以外的向量到中间直线的距离都要大于$d$，因为两类分别为$\{1,-1\}$，所以必须要满足
$$
y_i (\omega x_i + b \ge 1)
$$
要求$\frac{1}{|\omega|}$的最大值，也就等价于求$\frac{1}{2}{||\omega||}^2$的最小值，这样写的目的是为了转换成凸优化问题，方便求解。好了，此时问题已经很明确了，可用数学语言表示为
$$
\begin{align*}
min \limits_{\omega b} & \frac{1}{2}\Vert \omega \Vert^2 \\
subject \quad to & y_i (\omega x_i + b) \ge 1,i=1,2,\ldots,N
\end{align*}
$$