7.1.4 学习的对偶算法
求解线性可分支持向量机的最优化问题：
运用拉格朗日对偶性，求解对偶问题得到原始问题的解。
拉格朗日对偶问题：https://blog.csdn.net/blackyuanc/article/details/67640844
（1）利用w，b求min L（w，b，a）
（2）求min（w，b，a）对a的极大
对偶问题的解与原始问题的解之间的关系：
线性可分支持向量机学习算法：
由a得出支持向量的概念：
7.2 线性支持向量机与软间隔最大化
7.2.1 线性支持向量机（线性不可分时的线性支持向量机）
线性不可分问题——软间隔：函数间隔加上松弛变量；目标函数加上惩罚参数C
硬间隔最大化——软间隔最大化：
7.2.2 学习的对偶算法
如何求解w，b的值：
对偶问题的解与原始问题解的关系：
线性支持向量机学习算法：
7.2.3 支持向量
支持向量与a和C的关系：
参考：（软间隔的支持向量问题）https://blog.csdn.net/qq_34993631/article/details/79340747
7.2.4 合页损失函数
合页损失函数：
合页损失函数与0-1损失函数和感知机损失函数的图像:
