三种SVM的对偶问题

一、SVM原问题及要变成对偶问题的原因

对于SVM的，我们知道其最终目的是求取一分类超平面，然后将新的数据带入这一分类超平面的方程中，判断输出结果的符号，从而判断新的数据的正负。而求解svm分类器模型，最终可以化成如下的最优化问题：

$$\begin{aligned} \displaystyle{\min_{w,b}} \hspace{1cm}&{1\over 2}\parallel w \parallel ^2\\ s.t.\hspace{1cm}&1-y_i(w\cdot x_i +b)\leq 0\\ &i=1,2,...,N \end{aligned}$$ 上式中， $y_i$对应样本 $x_i$的标签。
我们的目的是求出上述最优化问题的最优解， $w^*$和 $b^*$，从而得到分类超平面：
$$w^*\cdot x +b^* = 0$$ 进而得到分类决策函
$$f(x) = sign(w^*\cdot x+b)$$ 但是在求解这一最优化问题时，求解较为困难，且对于线性不可分的数据无法得到较好的分类超平面，因此根据拉格朗日对偶性，引进原最优化问题的对偶问题，通过求解对偶问题得到原始问题的最优解。
对偶问题的引进有两个方面，一是对偶问题的求解往往比原问题容易，二是对于线性不可分的数据可以通过加松弛变量、加核函数的方法，将其推广到非线性分类。

二、原始SVM的对偶问题及其求解

原始的SVM模型的原问题如下：

$$\begin{aligned} {\min_{w,b}} \hspace{1cm}&{1\over 2}\parallel w \parallel ^2\\ s.t.\hspace{1cm}&1-y_i(w\cdot x_i +b)\leq 0\\ &i=1,2,...,N \end{aligned}$$ 为方便计算，将范数形式改写成如下形式：
$$\begin{aligned} \displaystyle{\min_{w,b}} \hspace{1cm}&{1\over 2}w^Tw\\ s.t.\hspace{1cm}&1-y_i(w\cdot x_i +b)\leq 0\\ &i=1,2,...,N \end{aligned}$$ 要想求原始问题的对偶问题，首先构造拉格朗日函数入如下：
$$L(w,b,\lambda) = \frac{1}{2}w^Tw + \sum_{i=1}^N \lambda_i[ 1-y_i(w^Tx_i+b)]\\ \lambda _i\geq0, \hspace{1cm}i=1,2,...,N$$ 上式中的 $\lambda_i$是拉格朗日乘子。
观察上述式子，可发现
$$\lambda_i[1-y_i(w^Tx_i+b)]\leq0$$
所以 $L(w,b,\lambda) \leq \frac{1}{2}w^Tw$，即构造的拉格朗日函数是原问题的一个下界。
根据拉格朗日对偶性，原始问题的的对偶问题是极大化极小问题：
$$\max _{\lambda}\min_{w,b}L(w,b,\lambda)$$ 上式所表达的意思是，先求 $L(w,b,\lambda)$对 $w,b$的极小，再求对 $\lambda$的极大。
首先，求 $\min _{w,b}L(w,b,\lambda)$：
我们知道，对于一阶可导函数，其在导数值为0的地方，取到极大或极小值，对于我们构造的拉格朗日函数，其偏导导数为0的点，一定是极小值。故：

0=∂∂wL(w,b,λ)=w+∑i=1Nλi(−yixi)⇒w=∑i=1Nλiyixi0=∂∂bL(w,b,λ)=−∑i=1Nλiyi⇒