smo算法伪代码简洁

支持向量机（SVM, Support Vector Machine）中的SMO算法，全称为Sequential Minimal Optimization（顺序最小优化），是一个用于求解大规模线性或非线性分类问题的有效算法。由于它是SMO算法的核心部分，下面是其简化版的伪代码：

// 初始化参数
x: 数据集特征矩阵，y: 标签向量， C: 松弛变量
w: 初始权重向量， b: 初始偏置， η: 学习率

function SMO(x, y, C, w, b, η):
    m: 数据样本数， i, j: 遍历索引
    while true:
        max_diff = 0
        // 寻找最大间隔对 (i, j)
        for i from 1 to m-1 do:
            if i == best_index:
                continue
            for j from i+1 to m do:
                if i != j and is_infeasible(i, j) and compute_diff(i, j) > max_diff:
                    max_diff = compute_diff(i, j)
                    best_i = i
                    best_j = j
        // 如果没有找到改进，退出循环
        if max_diff == 0:
            break
        
        alpha_i, alpha_j = update_alphas(x, y, C, w, b, best_i, best_j, max_diff)
        
        # 更新模型参数
        w = update_weights(w, x, α)
        b = update_bias(b, y, w)

return w, b

这个过程主要包括两个主要步骤：
1. **寻找最大间隔对**：遍历数据集中可能的配对，找出当前间隔最大的一对样本，即最容易分离的一对。
2. **更新α值和模型参数**：根据所选样本更新对应的拉格朗日乘子α，并根据α值更新权重向量w和偏置b。

每个迭代都会尝试优化两个训练样本的边界，直到无法找到更好的匹配为止，或者达到预设的停止条件（如达到一定迭代次数或误差阈值）。