一.计算目的：
支持向量（集合边缘的数据）到决策面（一个平面）的距离最大
二.线性可分(硬间隔SVM)
定义：存在一个线性函数将样本分开
使用超平面：
样本分类：
函数间隔（反映分类是否正确，正则正确，负则错误）：
样本到超平面的距离：
完整计算流程：
判断SVM类型，若线性可分，则进入本分支（无松弛，无惩罚）
1.确定原始目标函数：
2.构造拉格朗日函数：
3.求导：
4.求该问题的对偶问题：
5.KKT条件：
6.求偏置：
7.预测：
三.线性不可分
完整计算流程：
判断SVM类型，若线性不可分，则进入本分支（有松弛s，有惩罚c）
1.原始目标函数:
2.拉格朗日函数：
3.求导：
4求该问题的对偶问题：
5.KKT条件：
6.计算偏置:
7.预测:
四.非线性:
定义：无法在当前维度下线性可分
应对方法：
核函数：将低维样本映射到一个更高维的地方以实现线性可分
完整计算流程:
判断SVM类型，若非线性，则进入本分支（有松弛s，有惩罚c）
1.原始目标函数:
2.定义核函数：
3.核对偶目标函数：
4.SMO 迭代公式（仅替换内积为核）：
5.计算偏置：
6.核预测：
