关键词：间隔最大化、无约束优化问题、有约束优化问题、凸函数、仿射函数、凸二次规划问题、希尔伯特空间、拉格朗日乘子法、拉格朗日对偶函数、KKT 条件
研究思路
支持向量机（support vector machines，SVM）是一种二分类模型。
1、硬间隔最大的线性可分的支持向量机
前提：数据线性可分。与感知机不同的是，感知机只要找到一个超平面将训练数据集线性可分就可以了，但是 SVM 得到的分离超平面具有更好的泛化能力。
原始问题是一个有约束最优化问题，我们引入了拉格朗日函数和非负的拉格朗日乘子，将原问题表达成一个有约束的
$$\min_{w,b} \max_{\alpha} \quad L(w,b,\alpha)$$
问题。
这个问题要先对 $\alpha$ 求导不方便，但是我们有拉格朗日对偶性的保证，可以转换为对偶问题：
$$ \max_{\alpha}\min_{w,b} \quad L(w,b,\alpha)$$
先对 $w$ 和 $b$ 求导，可以得到比较好的表达式。将对 $w$ 和 $b$ 求导代回 $L(w,b,\alpha)$ 可以得到一个只关于 $\alpha$ 的表达式，求解这个最优化问题有专门的算法（SMO），于是就得到原问题的最优解。
SVM 解决二分类问题大致就是上面的流程，绕来绕去的。
2、软间隔最大化的线性支持向量机
允许一些点在两个间隔边界之间，获得更好的泛化能力
3、非线性支持向量机
之间我们研究的问题都假设数据集线性可分，线性可分即利用线性模型就可以进行分类。
对于不能使用线性模型分类的训练数据，我们基于“低维空间线性不可分，高维空间线性可分”的思路，把训练数据集中的元素使用非线性变换从低维映射到高维，将非线性问题转换为线性问题（线性问题比非线性问题好求解），就可以利用“软间隔最大化的线性支持向量机”的思路来求解。
利用到的数学思想是“等价转换”，再叙述一遍就是：
非线性可分问题不好求解，通过非线性映射转换成好求解的线性可分问题。
但是这又带了一个问题，“高维空间中线性可分”，但高维空间中的计算往往是困难的，因此才有了核技巧，即我们通过在低维空间中计算，就可以得到在高维空间中计算得到的结果，核函数帮我们减轻了计算量。
通过核技巧，我们不用找到“非线性变换”，确得到了训练数据集通过“非线性变换”在高维中线性可分问题同样的效果。
4、核函数
经过损失函数的定义，拉格朗日乘子法的推导，我们发现，SVM 的决策函数可以理解为只依赖于输入和样本内积的一种映射，这种内积计算使得 SVM 可以利用核技巧解决线性不可分的情况。核技巧的想法是，在学习和预测中只定义核函数，而不显式的定义映射函数。映射函数将输入空间映射到特征空间，而特征空间一般是高维的，甚至是无穷维的。
我们绕过了从低维度到高维度的映射函数具体的求解，因为我们只需要高维度空间的内积，所以核函数就一步到位地做了这件事情。
线性支持向量机引入了松弛变量和对应的惩罚参数 $C$。$C$ 越大，对误分类惩罚越大，支持向量个数越多，模型越复杂。
什么是核函数？
核函数和映射没有关系。核函数是计算高维空间中的内积的一种简便的方法。所以，一些介绍核函数的章节会被命名为核技巧。
（1）SVM 的本质是一个有条件的最优化问题，它在推导的过程中，最终可以转化成下面的表达式。
（2）在低维空间中计算，得到高维空间中我们需要的结果；
（3）核函数是一种技巧，并非 SVM 专用。
5、序列最小最优化算法
序列最小最优化算法
$$
\begin{aligned}
\min_\alpha \quad& \frac{1}{2}\sum_{i=1}^{N}\sum_{j=1}^{N}\alpha_i\alpha_jy_iy_jK(x_i,x_j) - \sum_{i=1}^{N}\alpha_i\
{\rm s.t.} \quad& \sum_{i=1}^{m}\alpha_i y_i = 0\
&0 \le \alpha_i \le C,i=1,2,\cdots,N
\end{aligned}
$$