svm的c++代码编写，二维数据的硬间隔分类

没有引入软间隔和核函数，几乎是按照李航的统计学理论编写的代码：结果只是近似最优值，设置zer0和zerob可以直接印象计算的精度，合理的设计，可以很快达到最优值，而不是近似最优。也可以通过二维数组来添加维数，本文只测试了二维数据的样本。更新了算法了鲁棒性，可以处理更加复杂的情况。至于核函数的问题。仅仅需要修改一下内积的计算方式就行了。关键是加了几个判断准则，防止启发式算法SMO陷入局部最优。本文有些函数并未用到，但是是推导计算公式时必须的过程代码，其实李航的书只是最终化简后的计算方式。对第一个aj的选择，也可以用本文完全按照没有化简后公式计算的方法。但是aj的值和李航的差0.5倍左右，不过所求的结果完全一致。甚至迭代次数都一样。

/*********************************************************

**CopyRight by zhanghuanhuan, BNU in china, BeiJing ******

**********************************************************/

#include<iostream>

#include<vector>

#include<math.h>

using namespace std;

double zer0 = 0.000001;

double zerob = 0.000000001;

struct arry

{

double x1;

double x2;

int  y;

};

struct W{

double w1;

double w2;

};

//求内积

double Inner_Product(arry a, arry b)

{

return a.x1*b.x1 + a.x2*b.x2;

}

//求Max

double Svm_max(double a[][2], vector<arry> x)

{

int i, j;

double sumai = 0;

double sum = 0;

for (i = 0; i < x.size(); i++)

{

sumai = sumai + a[i][1];

}

for (i = 0; i < x.size(); i++)

{

for (j = 0; j < x.size(); j++)

sum = sum + a[i][1] * a[j][1] * x[i].y*x[j].y*Inner_Product(x[i],x[j]);

}

return sumai - 0.5*sum;

}

//求C

double Svm_C(vector<arry> x, double a[][2], int m)

{

double c = 0;

int i;

for (i = 0; i < m; i++)

{

if (a[i][0] == 0)

c = c + a[i][1] * x[i].y;

}

return -c;

}

//计算系数项

double Svm_k_bi_b0(vector<arry> x, double a[][2], int m, arry xi)

{

double k = 0;

int i;

for (i = 0; i < m; i++)

{

if (a[i][0] == 0)

k = k + 0.5*xi.y*a[i][1] * x[i].y*Inner_Product(xi,x[i]);

}

return 1-k;

}

double Svm_k_bj_b1(vector<arry> x, double a[][2], int m, arry xj)

{

double k = 0;

int i;

for (i = 0; i < m; i++)

{

if (a[i][0] == 0)

k = k + 0.5*xj.y*a[i][1] * x[i