学习背景：理解SVM时需要这部分背景知识。
对于条件最佳化constrained optimization，我们使用拉格朗日乘子法。
所谓constrained optimization就是求在特定条件下变量能输出的函数最大值或者最小值。
举个例子：函数，其中两变量满足约束条件
，现在求
的最值。不难看出，
的图像是无数个同心圆，原点是它的圆心。而约束条件是双曲线。
示意图
图中的圆是等高线，因为必须等于某个正数的时候才是圆的图像。而这个正数就是函数值。红色的圆正好和双曲线相切，再高就变成了相交。显然，随着等高线的升高，始终两者相交，因此这个问题没有最大值，只有最小值，且最小值就是两者相切的时候，等高线表达的值。
那么我们如何计算这个相切的位置？
法向量
根据上图可以想象，从一条等高线跨越到更高的一条等高线，必然是沿着垂直于切线的方向是最快的。而这个切线的方向就是梯度。这里不做数学上的证明，只需要有个直观的感受就够了。因此我们可以确定，梯度向量就是切线的法向量。两条曲线的法向量都和共同的切线垂直，那么它们也就共线，即两曲线的梯度共线。我们用来表示两者的长度关系，这也就是所谓的拉格朗日乘子：
即：和同时成立。这里的是，那么有：
因此函数在上述约束条件
下的最小值就是
。（
不能等于-2，因为
同号，而
）
拉格朗日函数 (Lagrangian)
公式：
或者
具体到本例，也就是：
使这个新构造的函数的梯度等于0，那么得到的方程组和上述相同：
在我看来，这个拉格朗日函数就是一个上述算法的紧凑版，本质无区别。
