● 每週一言
不忘初心，方得始終。
導語
上一節講到SVM的優化公式，並提到SVM在強大的數學理論背景之下有着十分高效的訓練方法。本節就先講講其中的一個關鍵知識點——拉格朗日乘子法，爲之後深入講解SVM做準備。
拉格朗日乘子法
在機器學習中，模型的優化目標通常是最小化損失函數的值，即loss最小。從數學角度看，這類優化問題又可以分爲以下三種情況：
1. 無約束優化問題：min L(x)；
2. 等式約束優化問題：min L(x)；s.t. h_i(x) = 0，i =1, …, n；
3. 不等式約束優化問題：min L(x)；s.t. g_i(x) <= 0，h_i(x) = 0，i =1, …, n。
如果是凸優化（簡單地說就是集合內任意連線均屬於該集合，SVM是凸優化問題），對於第一種情況，可以直接求導得出最優解。
對於帶等式約束的第二種情況，常用的求解方法就是本文要講的拉格朗日乘子法。這裏不妨借用一個例子來闡明什麼是拉格朗日乘子法。
有如下等式約束的凸優化問題，求解f的最小值：
如果不帶等式約束，f直接對x1、x2、x3求偏導等於0即可。而在有等式約束的條件下，拉格朗日乘子法的作用就是幫助我們去掉這些等式，具體方式爲把這些約束分別乘一個係數加到目標函數f當中去，如下圖所示：
這樣處理，既保證了兩個等式約束在不影響原函數值的情況下保持成立，又使優化問題變成了第一種不帶約束的情況。因此，可以直接f對x1、x2、x3求偏導，得到如下式子：
把上式的x1、x2和x3分別帶入兩個等式約束中，便得到一個關於α1和α2的二元一次方程組，求解得到α1 = −0.39，α2 = −1.63，再帶入上式就得到了x1、x2和x3的解。
不過，樸素的拉格朗日乘子法只能解決等式約束優化問題。對於第三種情況關於不等式的約束優化問題，需要使用拉格朗日乘子法的加強版——KKT條件。而SVM的優化問題正屬於這第三種情況。關於KKT條件我下節再講，敬請期待。
文中舉例來源：http://blog.csdn.net/on2way/article/details/47729419
結語
感謝各位的耐心閱讀，後續文章於每週日奉上，敬請期待。歡迎大家關注小鬥公衆號 對半獨白！
