《Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow》一书5.4节《Under the Hood》在解释SVM模型的数学模型时，有些地方并不是很详细。这里我把相关的知识补上。关于SVM，这篇文章有比较详细的解释，有兴趣的朋友可以参考。
目标函数
我们假设样本线性可分，一类标记为1，另一类标记为-1。每个样本可用向量表示。则我们可以找到一个超平面，使得超平面的一侧都是正类样本，另一侧都是负类样本。这个超平面（不妨称为平面0）可以用下面这个方程式表示：
我们可以把这个超平面向正类样本方向平移，直到碰到第一个正类样本为止。平移完成之后新的超平面我们可以称为平面1，其方程是：
同理，我们把平面0向负类样本方向平移，直到碰到第一个负类样本为止。平移完成之后新的超平面我们可以称为平面2，其方程是：
和
并不一定相等，不过我们可以调整平面0的b，使得
。也就是说，通过选择适当的b，我们可以使得平面1和平面2的方程可以写成下面的形式：
事实上，这两个方程还可以进一步化简。我们让两个式子两边都除以，也就是调整了
和
。这样，平面1和平面2的方程可以写成：
这两个平面的距离是。因此，我们优化的目标就是使得
最小。
约束条件
当然，我们还有约束条件，就是上面的平面能够使得所有正负样本正好在平面两侧，这就是所谓硬间隔SVM（Hard margin linear SVM）。用数学语言说，对于任意正样本i，我们有：
对于任意负样本i，我们有：
我们定义，规则是，对于正样本，其值为1；对于负样本，其值为-1。于是，上面两个约束条件可以合并为一个：
这就是约束条件。于是：
这就是Hard margin linear SVM模型的优化目标。
