機器學習算法總結之支持向量機（四）

在SVM的前三篇裏，我們優化的目標函數最終都是一個關於α向量的函數。而怎麼極小化這個函數，求出對應的α向量，進而求出分離超平面我們沒有講。本篇就對優化這個關於α向量的函數的SMO算法做一個總結。 1. 回顧SVM優化目標函數 我們首先回顧下我們的優化目標函數： 我們的解要滿足的KKT條件的對偶互補條件爲： 根據這個KKT條件的對偶互補條件，我們有： 2.SMO算法的基本思想 上面這個優化式子比較復

>>阅读原文<<