1.SVM如何找出最大边际的超平面呢（MMH）?
利用一些数学推到，以上一节的公式可变为有限的凸优化问题（convex quadratic optimization）
利用Karush-Kuhn-Tucker)(KKT)条件和拉格朗日公式，可以推出MMH可以被表示为以下“决定边界(decision boundary)”
可以表示的公式：
其中： l 是支持向量点的个数
yi 是支持向量点 xi (support vector)的类别标记（class label）
xT (是要预测的实例，但必须是转置后的)
αi 和b0都是单一的值（都是通过解决优化问题算出来的具体的值 ）
这个公式就是 边际最大化的 超平面，当有一个实例进来的时候 ，把它带入这个方程，看它是正的还是负的，通过它的符号就可 以对这个点进行归类。
2.对于任何测试（要归类的）实例，带入以上公式，得出的符号是正还是负决定
即实例是在建立的超平面的某一侧，用正负号来区分
3. 来看一个具体的例子：
一类用方框表示，一类用圆圈表示，对这个例子用SVM来做个分类
左边的点：
右边的点
如图：：
：
假设已经求解到了几个支持向量的话，怎么才能知道这个超平面的方程
运算过程已经在图上写出了。可以解出ω0和a的值，解出之后代入公式，可解出这个超平面的
方程。
可以验证 把超平面上方的点代入方程就为大于0的，下方的话就是小于0的
下一节 在Python中实现SVM