关于机器学习SVM中KKT条件的深入理解推导

本文面向在寻找KKT条件相关推到文章的读者，且默认前面关于svm的松弛下的模型和smo算法推到都已经了解。如果没有或者需要温习，请参看支持向量机SVM与SMO算法的的详细推导过程，文章虽然是本科时期所写比较粗糙，但在本文发表前已经重做修改(虽然界面比较丑)，但耐心一定能看懂。若想要看视频的推导，也可以看我发现的宝藏up主大海老师，翻看里面的机器学习专栏。

目前为止的已知

目前我们已经推导出了未松弛与松弛的拉格朗日算法的模型，并且根据递推关系得出了α2的迭代关系式如下

而smo算法是一种启发式的算法，它在所有的α中选择两个进行smo算法的迭代，直到终止条件满足。
对于两个α的递推迭代，我们有如下的基础模型[1]，我们记作图1

其中min W(α1，α2)时目标函数，每个0=< αi <= C，C是惩罚因子（一般一开始就为固定的常数）
还有约束条件 a1y1 + a2y2 = l，（为了之后的简写，把α等价于a，ceta用l替代），因为只对a1和a2作考虑，所以把其他的求和项就视为l了，这样便于书写推导。

相信读者对SVM的kkt条件奇怪的地方是这里，为什么要取上下界，min和max的公式从何而来呢

首先回答第一个问题，为什么要取上下界：我们知道求解带约束问题时，由于启发式算法的求解，可能会破坏某些约束条件使其不满足，此时就需要认为的检测并且将其规范在解空间内，所以这里的上下界L和H是这样来的。
下面就对第二个问题进行回答，也是本文的重点，L和H的min与max函数的参数是从何而来的呢？
首先需要约束的时候，就是α1，α2违反了KKT条件，只有知道KKT条件，才能推出什么情况下违反，才能解释min和max的公式。

KKT条件

下面是C类优化问题、LCQ、规范性约束条件、LICQ、KKT、Slater等的充分必要关系，本文只讨论右上角的问题，但都在这里指出，给大家一个宏观的视野。（这与解决将要讨论的问题无关，只是了解一下，写出来是为了让文章更完整有说服力）

接下来就进入正题

左上角是线性SVM分类的示意图，其中有ABCDEF点，接下来对αi的不同情况进行几何意义上的讨论
①当0<α0
而rξ=0(KKT条件，之前的模型中有提到，这是模型的约束条件)知，ξ=0
②当α=C时，由rξ=1知r=0
③当α=0时，yi(wx+b)-1+ξ >= 0 ，此即题目的约束条件，因为α=0，所以其天然成立
故我们可以总结出满足kkt条件的情况如下

当α=0时，也就是之前的③天然成立
当0<α=1
当α=C，由r=0，r*ξ=0知ξ可以为任意>=0的值，所以yi(wx+b)<=1
综上所述，就是上图左下角的总结（KKT条件成立的情况），其中ui=wx+b

违反KKT条件的情况

所以违反KKT条件的情况就可以写出来了

当发生以上情况时，就可以采取限制条件，使解满足约束条件

下面就是对于smo两个α迭代时的深入理解

重新考虑a1y1+a2y2 = l的式子（这个式子在前面有等价替换，请注意）
由于y1，y2取±1，所以只需要考虑a1a2同号和异号的情况
将a1和a2视为横纵坐标画图，要注意到斜率为±1，波动为±l
且因为 0=<α<=C，所以把参数解空间限制在了边长为C的正方形中
根据不同的异号情况，我们做出示意图
因此只需按照边界定制α1和α2的min和max即可

所以就会有以下的综合模型



到这里SVM就完结撒花，完美理解
本章历时一个多月，因为各种课程、科研和琐事，断断续续的看和理解，于今终于完成，也写下自己的理解与有碰到问题不理解的读者一起分享。

参考文献

[1]《统计学习方法（第2版）》2019年 清华大学出版社出版，李航