本文是将文章《线性可分支持向量机的原理推导》中的公式单独拿出来做一个详细的解析，便于初学者更好的理解。
公式 9-29 是支持向量机（SVM）优化过程中 Karush-Kuhn-Tucker（KKT） 条件的一个部分，表示对偶可行性条件（Dual Feasibility Condition）。它要求拉格朗日乘子 α i ∗ \alpha_i^* αi∗ 必须是非负的。这个条件是拉格朗日对偶问题的基本要求之一，用于确保优化问题的解在对偶空间是可行的。
公式 9-29 的表达式如下：
α i ∗ ≥ 0 , i = 1 , 2 , … , N \alpha_i^* \geq 0, \quad i = 1, 2, \dots, N αi∗≥0,i=1,2,…,N
1. 公式的含义
公式 9-29 表示在支持向量机的优化问题中，所有拉格朗日乘子 α i ∗ \alpha_i^* αi∗ 必须是非负的：
- α i ∗ \alpha_i^* αi∗ 是第 i i i 个样本点对应的最优拉格朗日乘子。
- 这些乘子用于表示每个样本对优化问题的贡献。
- 非负性要求： α i ∗ ≥ 0 \alpha_i^* \geq 0 αi∗≥0 的意思是，拉格朗日乘子 α i ∗ \alpha_i^* αi∗ 不能是负值。只有正的或零的拉格朗日乘子才是合理的，因为它们代表样本对分类器构造的贡献程度。
2. 公式的背景与推导
SVM 的优化问题是一个带有约束条件的优化问题，通过拉格朗日乘子法进行求解。具体来说，SVM 的目标是最小化超平面的法向量 w w w 的二次范数 1 2 ∥ w ∥ 2 \frac{1}{2} \|w\|^2 21∥w∥2，同时满足分类约束：
y i ( w T x i + b ) ≥ 1 , i = 1 , 2 , … , N y_i (w^T x_i + b) \geq 1, \quad i = 1, 2, \dots, N yi(wTxi+b)≥1,i=1,2,…,N
为了处理这些约束，SVM 构造了拉格朗日函数，将目标函数和约束结合在一起：
L ( w , b , α ) = 1 2 ∥ w ∥ 2 − ∑ i = 1 N α i ( y i ( w T x i + b ) − 1 ) L(w, b, \alpha) = \frac{1}{2} \|w\|^2 - \sum_{i=1}^{N} \alpha_i \left( y_i (w^T x_i + b) - 1 \right) L(w,b,α)=21∥w∥2−i=1∑Nαi(yi(wTxi+b)−1)
- α i \alpha_i αi 是拉格朗日乘子，它们表示约束对目标函数的贡献。
- 拉格朗日乘子法的理论要求，对于不等式约束（如 y i ( w T x i + b ) ≥ 1 y_i (w^T x_i + b) \geq 1 yi(wTxi+b)≥1），拉格朗日乘子 α i \alpha_i αi 必须是非负的，即 α i ≥ 0 \alpha_i \geq 0 αi≥0。
这就是为什么我们有公式 9-29 的约束条件。
3. 对偶可行性条件的解释
对偶可行性条件（Dual Feasibility Condition）要求拉格朗日乘子必须为非负值，这在优化理论中是处理不等式约束的基本要求。该条件确保解的合理性，即样本点的贡献程度不能是负的。否则，它将违反物理或逻辑意义上的约束。
原因：
- 拉格朗日乘子 α i \alpha_i αi 用来表示样本点的影响力。如果 α i < 0 \alpha_i < 0 αi<0，这意味着对应样本对分类器的影响是“反向的”或不合理的。
- 在支持向量机中，只有那些 α i ∗ > 0 \alpha_i^* > 0 αi∗>0 的点（即支持向量）对超平面的构造有影响。如果 α i ∗ = 0 \alpha_i^* = 0 αi∗=0，则该样本点不会对分类器的构造产生影响。
因此，非负性条件 α i ∗ ≥ 0 \alpha_i^* \geq 0 αi∗≥0 确保每个样本对分类器的贡献是非负的，这符合拉格朗日乘子法处理不等式约束的要求。
4. 几何意义
几何上，公式 9-29 保证了在 SVM 的分类过程中，只有那些距离超平面较近的点（即支持向量）会对分类器的构造产生影响，而远离超平面的点（非支持向量）的拉格朗日乘子 α i ∗ = 0 \alpha_i^* = 0 αi∗=0，它们对分类器的构造没有影响。
-
支持向量：对于 α i ∗ > 0 \alpha_i^* > 0 αi∗>0 的样本点，它们是支持向量，位于分类超平面的边界上，直接影响超平面的构造。
-
非支持向量：对于 α i ∗ = 0 \alpha_i^* = 0 αi∗=0 的样本点，它们远离分类超平面，虽然被正确分类，但不影响分类器的构造。
5. 物理解释
-
正值拉格朗日乘子：当 α i ∗ > 0 \alpha_i^* > 0 αi∗>0 时，表示该样本点是支持向量，对分类器超平面的构造起到了实际作用。它们位于分类边界上，定义了分类器的决策边界。
-
零拉格朗日乘子：当 α i ∗ = 0 \alpha_i^* = 0 αi∗=0 时，表示该样本点距离分类超平面较远，它不会对分类器的决策边界产生任何影响。这些点不作为支持向量。
这个条件确保了支持向量机在优化过程中，只会选择对超平面有实际影响的样本点参与构造超平面，而忽略那些对分类器没有影响的样本。
6. 在 SVM 中的作用
在 SVM 的优化过程中，公式 9-29 的作用是筛选支持向量。它确保只有那些 α i ∗ > 0 \alpha_i^* > 0 αi∗>0 的点才对分类器有影响，而其他 α i ∗ = 0 \alpha_i^* = 0 αi∗=0 的点不会影响分类器的构造。这是对偶可行性条件的基本作用。
具体作用如下：
- 确保非负性：公式 9-29 确保了拉格朗日乘子 α i ∗ \alpha_i^* αi∗ 的非负性，避免了违反物理意义的解出现。
- 筛选支持向量：它通过非负性条件筛选出哪些点对分类器有实际影响（支持向量），哪些点没有影响（非支持向量）。
- 优化问题的合理性：拉格朗日乘子法在处理不等式约束时，必须满足拉格朗日乘子的非负性条件。公式 9-29 正是这个非负性条件在 SVM 优化中的体现，确保优化问题的合理解。
7. 总结
公式 9-29 是支持向量机中的一个关键条件，它是拉格朗日乘子法中的对偶可行性条件，要求所有拉格朗日乘子 α i ∗ \alpha_i^* αi∗ 必须为非负。这确保了优化问题在对偶空间的合理性，并且通过这一条件，SVM 能够筛选出哪些样本点对分类超平面的构造产生实际影响（支持向量）。
