本文深入探讨支持向量机（SVM）的拉格朗日对偶性，阐述其在寻找最优超平面二次最优化问题中的关键作用。通过拉格朗日函数，将约束优化问题转换为无约束问题，进而求解对偶问题。文章详细介绍了原问题、对偶问题及其关系，以及KKT条件，强调在特定条件下，对偶问题的解等同于原始问题的解。此外，文章还讨论了支持向量的概念，并展示了如何构造拉格朗日函数，为后续的SVM求解奠定基础。
SVM-支持向量机原理详解与实践之二
前面提到了支持向量机的凸优化问题中拉格朗日对偶性的重要性。
因为通过应用拉格朗日对偶性我们可以寻找到最优超平面的二次最优化，
所以以下可以将寻找最优超平面二次最优化（原问题），总结为以下几个步骤：
- 在原始权重空间的带约束的优化问题。（注意带约束）
- 对优化问题建立拉格朗日函数
- 推导出机器的最优化条件
-
最后就是在对偶空间解决带拉格朗日乘子的优化问题。
注：以上这个四个步骤是对优化问题的的概括，后面会注意讲解这几个步骤。
于是首先想到的几个随之而来的几个问题：
- 第一个问题是拉格朗日对偶性是什么？
- 第二问题是为什么拉格朗日对偶性可以帮助我们找到最优超平面的二次最优化？
-
第三个问题是如何运用拉格朗日对偶性找到最
订阅专栏 解锁全文
扫一扫
668
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
