SVM学习资源与KKT条件详解

SVM分类器
https://blog.csdn.net/weixin_33915554/article/details/93508356?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task#11-svm%E4%BB%8B%E7%BB%8D 介绍  主要的***重要

https://www.sohu.com/a/206572358_160850 距离详细解释
https://blog.csdn.net/gwplovekimi/article/details/80301614 也可参考 里面有书的照片

https://baijiahao.baidu.com/s?id=1618344063706450694&wfr=spider&for=pc 拉格朗日   KKT条件  库恩塔克条件
KKT条件:
原可行性:g(x*)≤0   
对偶可行性: α≥0
互补松弛条件:αg(x*)=0
拉格朗日平稳性: ▽f(x*)=α×▽g(x*)
为了找到具有不
α被称为KKT乘子或对偶变量（如果我们将原始问题转换为对偶形式，KKT乘子将成为对偶形式的变量）。在解释KKT乘子只允许非负值的原因之前，让我告诉KKT乘子符号在约束优化问题中的影响是什么.
如果α≥0, 那么 ▽f 和 ▽g 方向是同向的 (▽f(x*)=α×▽g(x*)).
同样，如果α≤0, 那么▽f 和▽g方向是相反的。

 SMO算法步骤解释很详细
 https://blog.csdn.net/guoziqing506/article/details/81155323   
到这里，SMO算法的大致介绍总算是说完了。我把它的步骤概括式的总结一下：
初始化α，一般情况下令初始的αi全部为0；
选取优化变量α1和α2，执行相关的优化计算，得到更新后的α1,α2；
开始新的一轮迭代，重复执行上面的第2步，知道全部的αi满足公式(14)的KKT条件以及公式(1)中的约束条件；

https://blog.csdn.net/u012679707/article/details/80501358 SVM讲解与实例

https://blog.csdn.net/mangobar/article/details/80342469?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task 数据集不全

https://www.cnblogs.com/lvchaoshun/p/5906890.html