主要公式步骤:

原距离问题的函数：

　　1.将SVM的距离问题转化为拉格朗日函数：

　　　　

　　2.原函数问题化成如下问题：

　　　　

　　　　 

　　3.对各非拉格朗日参数求偏导来求min值：

　　　　

　　4.将上面 令各偏导等于0 的结果带回 拉格朗日函数 消去非拉格朗日参数（w,b,￡）

　　　　结果为：

　　　　步骤：

　　　　

　　5.用SMO算法求α：

　　　　KKT条件：

　　　　　　

　　　　将拉格朗日函数转化为下面函数：

　　　　　　

　　　　根据 α1y1+α2y2 = k（常数），可以将他们（α1,α2）替换成一个变量，且有一个范围：

　　　　

　　　　　　对于左边：　　　　　　

　　　　　　 

　　　　　　对于右边：

　　　　　　

　　　　　　所以最小值区域：

　　　　　　

　　　　　　

　　　　　　

　　　　　　

　　　　原式：

　　　　　　

　　　　简化为：

　　　　　　 

　　　　　　将α1转化为α2

　　　　　　代入上面：

　　　　　　

　　　　　　求导：

　　　　　　

　　　　　　

　　　　　　　　　　　　　　　　　　　　

　　6.将α代入

　　　　

　　　　求得w,μ

　　7.用0<α<C的样本（支持向量）求出b

　　　　

 变量选择：

第一个变量：　

SMO算法称选择第一个变量为外层循环，这个变量需要选择在训练集中违反KKT条件最严重的样本点。对于每个样本点，要满足的KKT条件： 

　　　　　　　　　　　　　　　　　　　　　　

一般来说，我们首先选择违反

  这个条件的点。

如果这些支持向量都满足KKT条件，再选择违反

的点。

 第二个变量的选择

 

 重要参数总结图：