（这是一个解析法+迭代法的优化，求偏导为0是解析法，smo是迭代法）
伪代码输入跟感知机一样，X样本和y（1，-1）
1.构造一个约束优化问题，即上面只关于a的哪个式子
2.用SMO法求a
3.求出w,
4.求出b：找出支持向量，运用公式求出每个支持向量的b，求均值
输出一个w和b，也就是θ
算法改进（关于软间隔和硬间隔）上述算法只能应对线性完全可分的情况，但如果数据大部分是线性可分，但是存在异常点，导致不能线性可分了，如
又或者，异常点没有达到不可分的底部，但会严重挤压间隔空间，如：
如果没有蓝点，那么我的超平面间隔就会宽且合理，有了这个异常点让分隔变得异常窄。
如何处理这两种情况呢？SVM引入软间隔的方法来解决，相对来说，我们上面的方法就是硬间隔
硬间隔的最大化条件为
软间隔引入一个松弛变量ξi，使得约束成为
关于软间隔的损失函数优化问题，其实与硬间隔类似，任然求偏导，得到a的表达式，用SMO求a，得解。
算法改进（非线性问题）SVM算法内容实在是多啊
对于非线性问题，我们的基本思想是，投影到高维平面去，增加维度，就可以变成线性的，比如y=x+x2这个非线性问题，我们把x2设为x2，那么y=x1+x2这个线性问题，问题就得到了解决。
看看我们的目标函数最终形态：
关于维度的问题，只出现在了xi*xj这个向量内积上，于是比如本来xi是1维非线性，我们用一个函数把它投射到2维线性可分，于是公式变成：
核函数的基本思想是要让我们能用低纬向量计算，却产生高维向量线性可分的结果。如何计算？那就涉及到我们用哪个核函数了，现有的核函数有：
多项式核函数：
高斯核函数：
sigmoid核函数：