SVM中关于KKT条件的理解

对KKT条件的理解，是在学习机器学习和面试机器学习算法工程师时，经常出现的问题，今天我在面试的时候就遇到了这个问题，但是没有答上来，查阅相关资料后，特此作为笔记。

简而言之，KKT条件是求解有不等式约束优化问题的一种方法，可以理解为是拉格朗日乘子法的一种泛化。当优化问题是凸优化时，KKT条件就是极小值点，同时也是全局最小值点存在的充要条件。若该问题不是凸优化问题时，KKT条件只是极小值点的必要条件，而不是充分条件，满足KKT的点是驻点。
想要转化为极值点的充要条件，还需要附加一个正定条件。

关于凸优化，拉格朗日乘子法以及KKT条件的详细说明，请参照拉格朗日乘子法和KKT条件这里有相应的解释和图式说明。