通俗讲解支持向量机SVM（二）另辟蹊径！对偶性的几何解释
点赞再看，养成习惯，您动动手指对原创作者意义非凡
备战2021秋招面试 微信搜索【CodePan】关注更多新鲜好文和互联网大厂的笔经面经。
作者@试问道
| 当你的才华还撑不起你的野心时，你应该静下心去学习 。 |
|---|
前言
关于支持向量机（Support Vector Machine, SVM)的强对偶关系证明，我在网上浏览过各种版本，绝大部分是比较繁琐的公式推导，这显然不利于读者理解。我们可以尝试切换思路，用几何描述的方法比较直观清晰的推出结论，相信看完这篇文章你一定能豁然开朗！
正文
为了直观解释强对偶关系，我们把原问题限定在二维平面上（多维同理），所以我们假设原问题（prime problem）为：
Minimize f ( x ) \text{Minimize}\ f(x) Minimize f(x)
Subject to: m 1 ( x ) ≤ 0 (1) \text{Subject to:}\, m_1(x) \leq 0 \tag 1 Subject to:m1(x)≤0(1)
这里为了能限定在二维平面上，并且更简单直观，我们以只取一个约束条件为例。我们定义这个优化问题的定义域 D = domain f ∩ domain m 1 D = \text{domain}f \cap \text{domain}m_1 D=domainf∩domainm1,这样为解此问题，我们依然选择构造拉格朗日函数，得到：
L ( x ) = f ( x ) + λ m 1 ( x ) , λ ≥ 0 (2) L(x) = f(x) + \lambda m_1(x), \,\,\,\lambda \geq 0 \tag 2 L(x)=f(x)+λm1(x),λ≥0(2)
我们设原问题的最优解 p ∗ = min f ( x ) p^* = \min f(x) p∗=minf(x), 实际上也可表示成 p ∗ = min x max λ L ( x ) p^* = \min_{x} \max_{\lambda} L(x) p∗=minxmaxλL(x),两者是等价的。那么，对偶问题的最优解相应即为 d ∗ = max λ min x L ( x ) d^* = \max_{\lambda} \min_{x} L(x) d∗=maxλminxL(x)。
接下来很关键的一步，我们要构建一个二维坐标平面，这里用集合U表示，我们这样定义U， U = { ( m 1 ( x ) , f ( x ) ) ∣ x ∈ D } U = \left\{(m_1(x),f(x)) | x \in D \right\} U={(m1(x),f(x))∣x∈D}, 为简化公式，我们定义 t = m 1 ( x ) , z = f ( x ) t = m_1(x) ,\, z = f(x) t=m1(x),z=f(x), 所以U可表示为 U = { ( t , z ) ∣ x ∈ D } (3) U = \left\{(t,z) | x \in D \right\} \tag 3 U={(t,z)∣x∈D}(3),这样我们就得到了我们想要的坐标系，Great!
为了不失普适性，我们用一个非凸函数（一个爱心）代表集合U在坐标系内的分布，有了这个坐标系，原问题最优解 p ∗ = min f ( x ) = min z p^* = \min f(x) = \min z p∗=minf(x)=minz就可以表示为 p ∗ = inf { z ∣ ( t , z ) ∈ U , t ≤ 0 } p^*=\inf \left\{z | (t,z) \in U, t \leq 0 \right\} p∗=inf{z∣(t,z)∈U,t≤0}。
此处说明，inf表示下确界，可以理解为几何意义上的取”最低点“， t ≤ 0 t \leq 0 t≤0则是题给的约束条件。所以可以这样理解，原问题的最优解即为下图示阴影区域在z轴的投影所得线段的最低点p。
看完了原问题的最优解，我们再看看其对偶问题(dual problem)的解 d ∗ = max λ min x L ( x ) d^* = \max_{\lambda} \min_{x} L(x) d∗=maxλminxL(x),该式可以相应简化为 d ∗ = max λ min x ( t + λ z ) (4) d^* = \max_{\lambda} \min_{x}(t+\lambda z) \tag 4 d∗=λmaxxmin(t+λz)(4),那么应该怎么在同一坐标系内表示出这个最优解d*呢？我们可以先看上式的后一部分 min x ( t + λ z ) \min_{x}(t+\lambda z) minx(t+λz)，我们用 g ( λ ) g(\lambda) g(λ)表示它，即， g ( λ ) = min x ( t + λ z ) g(\lambda)=\min_{x}(t+\lambda z) g(λ)=minx(t+λz)，我们尝试用我们构建的二维坐标系描述它，那么 g ( λ ) = inf { t + λ z ∣ ( t , z ) ∈ U } g(\lambda) = \inf \left\{t+\lambda z | (t,z) \in U\right\} g(λ)=inf{t+λz∣(t,z)∈U}
根据上图， t + λ z t+\lambda z t+λz实际就是在z轴的截距，假定初始状态 t + λ z = 0 t+\lambda z=0 t+λz=0这条直线如蓝线1所示，那么要找到与爱心U“相擦”，并且截距最小的直线，即为上图中蓝线2，它与z轴的交点即为 g ( λ ) g(\lambda) g(λ)。知道了 g ( λ ) g(\lambda) g(λ)， d ∗ d^* d∗也很好求了， d ∗ = max λ g ( λ ) d^* = \max_{\lambda} g(\lambda) d∗=λmaxg(λ)，什么含义呢？就是反复调整蓝线2的斜率 λ \lambda λ,使其与z轴截距最大（但注意要保证和U相擦），所以最优情况如下图红线所示（我寻思这图画着画着咋有点不对劲嘞…），与U相擦，同时与Z轴交于d点，此即为d* !!!
由图可以明显看出，d的值无论怎么取都不会超过p的,所以由此推的第一重关系-----弱对偶关系 d ∗ ≤ p ∗ d^* \leq p^* d∗≤p∗。
好，那么如何才能使d,p两点重合在一点呢？很容易推得集合U（图中爱心）需要是凸函数，同时还需要满足slater条件，它的定义是：
source:https://blog.csdn.net/u010510549/article/details/100938214
slater条件实际上是原问题P可以等价于对偶问题Q的一个充分条件。
| 你的鼓励是我创作的动力，如果你有收获，点个赞吧 |
|---|
我接下来还会陆续更新机器学习相关的学习笔记，补充这个系列。如果看到这里的话，说明你有认真看这篇文章，希望你能有所收获！最后，欢迎交流指正！
还有不明白的欢迎阅读其他文章：
通俗讲解支持向量机SVM（一）面试官：什么？线性模型你不会不清楚吧？
通俗讲解支持向量机SVM（二）另辟蹊径！对偶性的几何解释
通俗讲解支持向量机SVM（三）SVM处理非线性问题及软间隔之引出
通俗讲解支持向量机SVM（四）用尽洪荒之力把核函数与核技巧讲得明明白白（精华篇）