关于SVM中SMO算法第一个向量选择的问题

在看李航编写的《统计学习方法》一书中第128页时，涉及到SMO算法中第一个变量的选择，然后作者指出选择不满足KKT条件的变量作为第一个变量，然后突然给出了如下三个KKT条件:

$$\begin{equation} \alpha_{i} = 0 \Leftrightarrow y_{i}g(x_{i})\geq 1 \qquad (1) \end{equation}$$ $$\begin{equation} 0 < \alpha_{i} < C \Leftrightarrow y_{i}g(x_{i}) = 1 \qquad (2) \end{equation}$$ $$\begin{equation} \alpha_{i} = C \Leftrightarrow y_{i}g(x_{i}) \leq 1 \qquad (3) \end{equation}$$
其中 $g(x_{i}) = \sum_{j=1}^{N}\alpha_{j}y_{j}K(x_{i},x_{j})+b$，其实就是 $g(x_{i}) = w\cdot x_{i}+b$
看到这三个公式真是一头雾水啊，跟我看的KKT条件不一样，因为至少应该涉及到 $\xi$ 啊。该书中给的KKT条件中有 $\alpha_{i}y_{i}g(x_{i})=0$且 $y_{i}g(x_{i})\geq1$。但是上述第三个式子竟然出现 $y_{i}g(x_{i}) \leq 1$。一开始真是百思不得其解啊。后来经过仔细研究才发现，得利用该书110页提到的一个公式
$$\begin{equation} C - \alpha_{i} - \mu_{i} = 0 \qquad (4) \end{equation}$$ 该式子是非常重要的（ $\mu_{i}$是松弛变量 $\xi_{i}$对应的拉格朗日乘子)。现在来重新分析上述公式(1)-(3)是怎么得到的。
如果 $\alpha_{i} = 0$，那么由公式(4)可得 $\mu_{i} = C$，由KKT条件 $\mu_{i}\xi_{i}=0$可知， $\xi_{i}=0$。又由KKT条件可知 $\alpha_{i} [y_{i}g(x_{i})-(1-\xi_{i})]=0$ 且 $y_{i}g(x_{i})\geq1-\xi_{i}$，因为 $\xi_{i}=0$，所以就变成 $\alpha_{i} [y_{i}g(x_{i})-1]=0$，又因为 $\alpha_{i} = 0$，所以 $y_{i}g(x_{i})\geq 1$，因此就得到了公式(1)。
同理可得第二个公式。因为 $0 < \alpha_{i} < C$，所以由公式(4)可知 $\mu_{i} \geq 0$，因此同样得到 $\xi_{i}=0$，又因为 $\alpha_{i} \geq 0$,若要使KKT条件成立，只能 $y_{i}g(x_{i})-(1-\xi_{i})=0$，因此 $y_{i}g(x_{i})=(1-\xi_{i})$，进而根据 $\xi_{i}=0$，有 $y_{i}g(x_{i})=1$，这样就得到了公式(2)。
关于公式(3)，因为 $\alpha_{i} = C$，由公式(4)可知 $\mu_{i}=0$，由KKT条件 $\mu_{i}\xi_{i}=0$可知， $\xi_{i} \geq 0$。因为 $0 < \alpha_{i} < C$，所有约束条件只能等于0，即 $y_{i}g(x_{i})-(1-\xi_{i})=0$，也即 $y_{i}g(x_{i})=(1-\xi_{i})$。因为 $\xi_{i} \geq 0$，所以 $y_{i}g(x_{i})=(1-\xi_{i}) \leq 1$，得到公式(3)。