支持向量机（SVM）入门(六，解决遗留问题）

但也出现了如下结果，看来任务没完没了（svm深似海？），还得下功夫：

前面我们的支持向量机到此便止步了，一晃两年，这几天有空，顺便研究了一下，问题有进展：

记录了一些值，分析后，猫腻出来了：

第三幅图情况复原：b=-1.4，x轴交点23，y轴交点23

其他情况（一）： b=-1.0，x轴交点30，y轴交点30

其他情况（二）： b=-2.0，x轴交点40，y轴交点40

其他情况（三）： b=-1.83，x轴交点42，y轴交点46（以上四幅图中最好的情况）

整理了一下：

：b=-1.4，x轴交点23，y轴交点23

--->应该是yi*(*Xi+b)公式来验证所有每一个正样本，和负样本，大于等于一，ok，小于1，失败。

验证样本点，有两个0.4，所以放弃，失败（或者每样本|*Xi+b|>=1,ok)

：b=-1.0，x轴交点30，y轴交点30

--->a0=0.0011,其他ai全为0，yi*ai!=0，放弃

：b=-2.0，x轴交点40，y轴交点40

--->a0=a2=0.0011,a0正样本，a1负样本，其他ai全为0，yi*ai=0，ok

虽然后来我们引入了松弛变量，但结果也要满足先决条件。

这是几天来最大的收获，其实这也是今年最大的收获，条件和公理的关系。

所以这也是能前进一步的原因，原来一直觉得算法可能有问题，找了很长时间的问题，现在发现方向错了。但好处是，夯实了算法。

算法和条件都夯实了，结果就变得明朗了。

注：差一点找不到豆子的博客了，记录一下：

机器学习算法整理（七）支持向量机以及SMO算法实现 - douzujun - 博客园 (cnblogs.com)