引言

上一节介绍了支持向量机模型分类的朴素思想——最大间隔分类器，本节将利用拉格朗日乘数法进行分析。

回顾：最大间隔分类器

最大间隔分类器选择最优模型 的朴素思想是：从能够将样本点分类正确的直线中找出这样一条直线：该直线与$N$个样本点对应的$N$个距离中找出长度最小的距离，而基于该直线找出的最小距离比其他直线的都要大，那么该直线即为所求。

使用数学语言进行表达：
$$\underset{\mathcal{W},b}{\max }\underset{x^{(i)}\in \mathcal{X}}{\min }\frac{1}{||\mathcal{W}||}|{\mathcal{W}}^T{x}^{(i)}+b|=\underset{\mathcal{W},b}{\max }\frac{1}{||\mathcal{W}||}\underset{x^{(i)}\in \mathcal{X}}{\min }{y}^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)$$
其中$\mathcal{X}$表示样本集合 { x ( 1 ) , x ( 2 ) , ⋯   , x ( N ) } \{x^{(1)},x^{(2)},\cdots,x^{(N)}\} {x(1),x(2),⋯,x(N)}，约束条件即直线能够将所有样本点分类正确：
$$y^{(i)}({\mathcal{W}}^T{x}^{(i)}+b)>0\forall (x^{(i)},y^{(i)})\in Data$$
至此，最大间隔分类器朴素思想表示如下：
$$\{\begin{array}{l}\underset{\mathcal{W},b}{\max }\frac{1}{||\mathcal{W}||}\underset{x^{(i)}\in \mathcal{X}}{\min }{y}^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)\\ s.t.y^{(i)}({\mathcal{W}}^T{x}^{(i)}+b)>0\end{array}$$
经过对函数间隔(Function Margin)的约束，化简结果为：
函数间隔的相关介绍同见上一节
$$\{\begin{array}{l}\underset{\mathcal{W},b}{\min }\frac{1}{2}{\mathcal{W}}^T\mathcal{W}\\ s.t.y^{(i)}({\mathcal{W}}^T{x}^{(i)}+b)\ge 1\forall (x^{(i)},y^{(i)})\in Data\end{array}$$

问题的转化过程

凸二次规划问题求解及其弊端

可以将上式理解成包含$N$个约束条件的凸优化问题($\frac{1}{2}{\mathcal{W}}^T\mathcal{W}$是一个凸函数，每一个$(x^{(i)},y^{(i)})$均对应一个约束条件)。
将约束条件移项，将其写成如下形式：
$$\{\begin{array}{l}\underset{\mathcal{W},b}{\min }\frac{1}{2}{\mathcal{W}}^T\mathcal{W}\\ s.t.1-y^{(i)}({\mathcal{W}}^T{x}^{(i)}+b)\le 0\forall (x^{(i)},y^{(i)})\in Data\end{array}$$

观察，目标函数$\frac{1}{2}{\mathcal{W}}^T\mathcal{W}$是一个二次型函数。即：
$$f(\mathcal{W})=\frac{1}{2}{\mathcal{W}}^T\mathcal{W}=\frac{1}{2}(w_1,w_2,\cdots ,w_p)\left(\begin{array}{c}{w}_1\\ w_2\\ ⋮\\ w_p\end{array}\right)=\frac{1}{2}(w_1^2+w_2^2+\cdots +w_p^2)$$
并且$N$个约束均为不等式约束，且每个不等式约束均为仿射函数(affine function)，即 最高次数为1的多项式函数：
$w_i(i=1,2,\cdots p),b$均是一次项。
$$\begin{array}{rl}g(\mathcal{W},b)& =1-y^{(i)}({\mathcal{W}}^T{x}^{(i)}+b)\\ & =1-y^{(i)}\left[(w_1,w_2,\cdots ,w_p)\left(\begin{array}{c}{x}_1^{(i)}\\ x_2^{(i)}\\ ⋮\\ x_p^{(i)}\end{array}\right)+b\right]\\ & =1-y^{(i)}(w_1\cdot x_1^{(i)}+w_2\cdot x_2^{(i)}+\cdots +w_p\cdot x_p^{(i)}+b)\end{array}$$

至此，该问题从凸优化问题转化为一个 凸二次规划问题(Convex Quadratic Programming)。凸二次规划问题存在解，但是对凸二次规划问题求解存在较高约束：
理想状态下：

• 样本空间(样本点$x^{(i)}$的维度)或者特征空间($\mathcal{W}$的维度)$p$不高；
• 样本空间中的样本数量$N$不多；

这种情况下对凸二次规划问题求解是方便的。但实际情况下，样本数量和特征空间维度都很高，甚至存在将样本点$x^{(i)}$的维度通过特征转换将其映射到高维空间甚至是无限维空间。这种情况下，凸二次规划很难求解。本节将介绍通过求解对偶问题对原问题进行求解。

拉格朗日乘数法求解——原问题与无约束问题

继续观察化简结果：
$$\{\begin{array}{l}\underset{\mathcal{W},b}{\min }\frac{1}{2}{\mathcal{W}}^T\mathcal{W}\\ s.t.1-y^{(i)}({\mathcal{W}}^T{x}^{(i)}+b)\le 0\forall (x^{(i)},y^{(i)})\in Data\end{array}$$
将该化简结果称为原问题(Primal Problem),使用拉格朗日乘数法引出它的无约束原问题。
首先，列出原问题的拉格朗日函数$\mathcal{L}(\mathcal{W},b,\lambda )$：
由于‘原问题’中包含$N$个约束条件，因此$\lambda$中一共包含$N$个分量：
λ = { λ ( 1 ) , λ ( 2 ) , ⋯   , λ ( N ) } L ( W , b , λ ) = 1 2 W T W + ∑ i = 1 N λ ( i ) [ 1 − y ( i ) ( W T x ( i ) + b ) ] \lambda = \{\lambda^{(1)},\lambda^{(2)},\cdots,\lambda^{(N)}\} \\ \mathcal L(\mathcal W,b,\lambda) = \frac{1}{2} \mathcal W^{T}\mathcal W + \sum_{i=1}^N \lambda^{(i)} \left[1 - y^{(i)} \left(\mathcal W^{T}x^{(i)} + b\right) \right] λ={λ(1),λ(2),⋯,λ(N)}L(W,b,λ)=21​WTW+i=1∑N​λ(i)[1−y(i)(WTx(i)+b)]
根据拉格朗日函数自身性质，${\lambda }^{(i)}(i=1,2,\cdots ,N)\ge 0$

至此，原问题通过拉格朗日函数转化为如下形式：
$$\{\begin{array}{l}\underset{\mathcal{W},b}{\min }\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )\\ s.t.{\lambda }^{(i)}\ge 0(i=1,2,\cdots ,N)\end{array}$$

观察上述式子，和原问题相比，原问题的约束条件被拉格朗日乘数$\lambda$并入到了目标函数中，新式子的约束条件中多出关于$\lambda$的约束条件。称该式子为 无约束原问题。
这里的无约束指‘带约束原问题’的约束条件消失了。对于求解模型参数$\mathcal{W},b$,原问题与无约束问题是等价的。

小插曲：关于原问题与无约束问题等价的解释

在求解最优模型参数过程中，为什么 原问题和无约束原问题是等价的？
观察拉格朗日函数$\mathcal{L}(\mathcal{W},b,\lambda )$：
$$\mathcal{L}(\mathcal{W},b,\lambda )=\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^N{\lambda }^{(i)}\left[1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)\right]$$

$1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)$具有什么意义？结合回顾中的介绍，它的实际意义如下：

• $1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)\le 0$，意味着直线${\mathcal{W}}^{T}x+b=0$对具体样本$(x^{(i)},y^{(i)})$分类正确；
• 反之，$1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)>0$，意味着直线${\mathcal{W}}^T{x}^{(i)}+b=0$对具体样本$(x^{(i)},y^{(i)})$分类错误；

由于 在介绍最大间隔分类器朴素思想 时，就已经说明了前提条件：基于样本点分类正确的基础上。

假如并没有提到这个条件，即当前直线存在样本点被分类错误。数学语言表达即：
$$\exists (x^{(i)},y^{(i)})\in Data\to 1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)>0$$
将上述两种情况分别带入拉格朗日函数$\mathcal{L}(\mathcal{W},b,\lambda )$中进行分析：

• $1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)>0$时，已知${\lambda }^{(i)}\ge 0$恒成立，则$\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )$结果表示如下：
  由于${\lambda }^{(i)}$与$1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)$同号，因此${\sum }_{i=1}^N{\lambda }^{(i)}\left[1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)\right]$部分没有上界，即当${\lambda }^{(i)}$均取值$\infty$时,$\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )$取得最大值$\infty$;
  $$\begin{array}{rl}\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )& =\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^N{\lambda }^{(i)}\left[1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)\right]\\ & =\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^N\infty \\ & =\infty \end{array}$$
• $1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)\le 0$时，同理，对应的$\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )$结果表示如下：
  由于${\lambda }^{(i)}$与$1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)$异号，因此${\sum }_{i=1}^N{\lambda }^{(i)}\left[1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)\right]$结果是’非正数‘，即存在上界0，当${\lambda }^{(i)}=0(i=1,2,\cdots ,N)$时，$\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )$取得最大值$\frac{1}{2}{\mathcal{W}}^T\mathcal{W}$；
  $$\begin{array}{rl}\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )& =\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^N{\lambda }^{(i)}\left[1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)\right]\\ & =\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^{N}0\\ & =\frac{1}{2}{\mathcal{W}}^T\mathcal{W}\end{array}$$
• 综上，目标函数$\underset{\mathcal{W},b}{\min }\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )$可以表示为如下形式：
  $\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )$结果由两部分组成： { ∞ , 1 2 W T W } \{\infty,\frac{1}{2}\mathcal W^{T}\mathcal W\} {∞,21​WTW},对$\infty$取最小值没有意义；只能对$\frac{1}{2}{\mathcal{W}}^T\mathcal{W}$取最小值。
  min ⁡ W , b max ⁡ λ L ( W , b , λ ) = min ⁡ W , b { ∞ , 1 2 W T W } = min ⁡ W , b 1 2 W T W \mathop{\min}\limits_{\mathcal W,b} \mathop{\max}\limits_{\lambda}\mathcal L(\mathcal W,b,\lambda) = \mathop{\min}\limits_{\mathcal W,b}\{\infty,\frac{1}{2}\mathcal W^{T}\mathcal W\}=\mathop{\min}\limits_{\mathcal W,b} \frac{1}{2}\mathcal W^{T}\mathcal W W,bmin​λmax​L(W,b,λ)=W,bmin​{∞,21​WTW}=W,bmin​21​WTW

最终结果发现和原问题的目标函数完全相同。回顾整个推导过程，这意味着${\lambda }^{(i)}\ge 0(i=1,2,\cdots ,N)$条件满足的同时，还隐含地满足了另一个条件：$1-y^{(i)}\left({\mathcal{W}}^T{x}^{(i)}+b\right)\le 0$

无约束问题与对偶问题关联关系

基于无约束问题，它的 对偶问题表示如下：
$$\{\begin{array}{l}\underset{\lambda }{\max }\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )\\ s.t.{\lambda }^{(i)}\ge 0(i=1,2,\cdots ,N)\end{array}$$
从数学角度观察，无约束问题也是原问题，即“没有约束的原问题”，它和对偶问题之间存在对偶关系。从公式中表示即$\min ,\max$调换了位置，约束条件没有变化。

首先探究：无约束问题的目标函数与其对偶问题的目标函数之间的关系。即：
$$\underset{\mathcal{W},b}{\min }\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )\stackrel{\text{?}}{\iff }\underset{\lambda }{\max }\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )$$
如果没有其他限制条件，该问题是被数学证明了的，其结果为：对偶问题 $\le$ 原问题。即：
$$\underset{\mathcal{W},b}{\min }\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )\ge \underset{\lambda }{\max }\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )$$

具体证明如下：
首先观察公式两端的前半部分：

• 公式左端：$\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )\ge \mathcal{L}(\mathcal{W},b,\lambda )$恒成立。
  解释：从字面意义上解释$\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )$，即：通过选择最优参数$\lambda$，选择该参数的结果是：使$\mathcal{L}(\mathcal{W},b,\lambda )$最大。那么它 必然大于等于任意一个$\mathcal{L}(\mathcal{W},b,\lambda )$结果；
• 同理，公式右端：$\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )\le \mathcal{L}(\mathcal{W},b,\lambda )$恒成立。即：$\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )$是关于$\mathcal{L}(\mathcal{W},b,\lambda )$的最小值，那么它必然小于等于任意一个$\mathcal{L}(\mathcal{W},b,\lambda )$结果；

综上，我们可以得到如下关系：
$$\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )\le \mathcal{L}(\mathcal{W},b,\lambda )\le \underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )$$
即：
$$\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )\le \underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )$$
此时令$\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )$是关于$\lambda$的函数：
原因：$\mathcal{W},b$已经被确定，对应结果是’使$\mathcal{L}(\mathcal{W},b,\lambda )$最小’。因此，该式中仅包含$\lambda$一个变量;
$$\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )=\mathcal{A}(\lambda )$$
同理，令$\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )$是关于$\mathcal{W},b$的函数：
原因：与上面类似~
$$\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )=\mathcal{B}(\mathcal{W},b)$$
则有：
$$\mathcal{A}(\lambda )\le \mathcal{B}(\mathcal{W},b)$$
那么：基于上述公式，$\mathcal{A}(\lambda )$必然小于等于$\mathcal{B}(\mathcal{W},b)$的最小值。即：
$$\mathcal{A}(\lambda )\le \underset{\mathcal{W},b}{\min }\mathcal{B}(\mathcal{W},b)$$
同理，基于上述公式，$\mathcal{A}(\lambda )$中的最大值$\underset{\lambda }{\max }\mathcal{A}(\lambda )$也必然小于$\mathcal{B}(\mathcal{W},b)$中的任意一个结果，包括最小值$\underset{\mathcal{W},b}{\min }\mathcal{B}(\mathcal{W},b)$。即：
$$\underset{\lambda }{\max }\mathcal{A}(\lambda )\le \underset{\mathcal{W},b}{\min }\mathcal{B}(\mathcal{W},b)$$
将$\mathcal{A}(\lambda ),\mathcal{B}(\mathcal{W},b)$进行替换，即可得到如下公式：
$$\underset{\mathcal{W},b}{\min }\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )\ge \underset{\lambda }{\max }\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )$$
证明完毕。
我们称该关系为弱对偶关系。与弱对偶关系相反的是强对偶关系。强对偶关系表示如下：
$$\underset{\mathcal{W},b}{\min }\underset{\lambda }{\max }\mathcal{L}(\mathcal{W},b,\lambda )=\underset{\lambda }{\max }\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )$$
从弱对偶关系到强对偶关系需要满足一些条件。由于原问题是凸二次规划问题，该类问题可以通过数学证明其原问题与对偶问题之间是强对偶关系。这里篇幅有限，不在此证明了。

至此，无约束问题和它的对偶问题是强对偶关系，因次它们之间是等价关系。

模型求解

重新观察对偶问题：
$$\{\begin{array}{l}\underset{\lambda }{\max }\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )\\ s.t.{\lambda }^{(i)}\ge 0(i=1,2,\cdots ,N)\end{array}$$
继续观察目标函数的前半部分：
$$\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )$$
可以将其理解为：求解最优参数$\mathcal{W},b$使$\mathcal{L}(\mathcal{W},b,\lambda )$最小。由于上式中对$\lambda$没有任何约束，因此将$\lambda$视作常数，直接分别对$\mathcal{W},b$求导：
个人理解：之所以要求解其‘对偶问题‘，原因在于’无约束问题‘的前半部分是关于$\lambda$的函数，而$\lambda$存在约束条件，不容易直接求解。

• 首先对参数$b$进行求导($\mathcal{W}$同样被视作常数)：
  展开的大括号中只有最后一项包含$b$,其余均视作常数;
  $$\begin{array}{rl}\frac{\partial \mathcal{L}(\mathcal{W},b,\lambda )}{\partial b}& =\frac{\partial }{\partial b}\left[\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^N{\lambda }^{(i)}-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{\mathcal{W}}^T{x}^{(i)}-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}b\right]\\ & =\frac{\partial }{\partial b}\left[-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}b\right]\\ & =-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}\end{array}$$
  令$\frac{\partial \mathcal{L}(\mathcal{W},b,\lambda )}{\partial b}\triangleq 0$，此时得到一个新的条件：
  $$\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}=0$$

将该条件重新带回$\mathcal{L}(\mathcal{W},b,\lambda )$，对拉格朗日函数进行化简：
展开的最后一项中$b$不含$i$,因此视作常数，提到连加号前面；又因为新条件，最后一项消除；但由于第三项中包含$x^{(i)}$,因此不能被消除；
$$\begin{array}{rl}\mathcal{L}(\mathcal{W},b,\lambda )& =\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^N{\lambda }^{(i)}-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{\mathcal{W}}^T{x}^{(i)}-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}b\\ & =\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^N{\lambda }^{(i)}-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{\mathcal{W}}^T{x}^{(i)}-b\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}\\ & =\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^N{\lambda }^{(i)}-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{\mathcal{W}}^T{x}^{(i)}\end{array}$$
对化简结果继续对$\mathcal{W}$进行求导：
大括号中只有第一项和第三项含$\mathcal{W}$,这里仍然使用矩阵论中的矩阵求导法则~
$$\begin{array}{rl}\frac{\frac{1}{2}{\mathcal{W}}^T\mathcal{W}}{\partial \mathcal{W}}& =\frac{1}{2}\cdot 2\cdot \mathcal{W}=\mathcal{W}\\ \frac{{\sum }_{i=1}^N{\lambda }^{(i)}{y}^{(i)}{\mathcal{W}}^T{x}^{(i)}}{\partial \mathcal{W}}& =\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{x}^{(i)}\end{array}$$

求导结果如下：
$$\begin{array}{rl}\frac{\mathcal{L}(\mathcal{W},b,\lambda )}{\partial \mathcal{W}}& =\frac{\partial }{\partial \mathcal{W}}\left[\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^N{\lambda }^{(i)}-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{\mathcal{W}}^T{x}^{(i)}\right]\\ & =\frac{1}{2}\cdot 2\cdot \mathcal{W}-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{x}^{(i)}\end{array}$$

继续令$\frac{\mathcal{L}(\mathcal{W},b,\lambda )}{\partial \mathcal{W}}\triangleq 0$，则有：
$$\mathcal{W}=\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{x}^{(i)}$$
最后，将$\mathcal{W}$的表达式带回第一次化简后的$\mathcal{L}(\mathcal{W},b,\lambda )$中，此时该函数是只关于参数$\lambda$的一个函数：
$$\begin{gathered} \mathcal{W}=\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{x}^{(i)}\to \mathcal{L}(\mathcal{W},b,\lambda )=\frac{1}{2}{\mathcal{W}}^T\mathcal{W}+\sum _{i=1}^N{\lambda }^{(i)}-\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{\mathcal{W}}^T{x}^{(i)} \\ \begin{array}{rl}\mathcal{L}(\mathcal{W},b,\lambda )& =\frac{1}{2}{\left(\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{x}^{(i)}\right)}^T\left(\sum _{j=1}^N{\lambda }^{(j)}{y}^{(j)}{x}^{(j)}\right)+\sum _{i=1}^N{\lambda }^{(i)}-\sum _{i=1}^N\left[{\lambda }^{(i)}{y}^{(i)}{\left(\sum _{i=1}^N{\lambda }^{(i)}{y}^{(i)}{x}^{(i)}\right)}^T{x}^{(i)}\right]\end{array} \end{gathered}$$
观察第一项，由于${\lambda }^{(i)}$是每个样本点$(x^{(i)},y^{(i)})$对应的 拉格朗日乘数，是一个标量、常数； y ( i ) ∈ { − 1 , 1 } y^{(i)} \in \{-1,1\} y(i)∈{−1,1}，也是一个标量、常数；因此则有：
$${\left({\lambda }^{(i)}\right)}^T={\lambda }^{(i)};{\left(y^{(i)}\right)}^T=y^{(i)}$$

至此，将第一项展开，并将上式带入：
$$\frac{1}{2}\left[\sum _{i=1}^N\sum _{j=1}^N{\lambda }^{(i)}{\lambda }^{(j)}{y}^{(i)}{y}^{(j)}{\left(x^{(i)}\right)}^T{x}^{(j)}\right]$$
同理，将第三项展开，并将上式带入：
$$\left[\sum _{i=1}^N\sum _{j=1}^N{\lambda }^{(i)}{\lambda }^{(j)}{y}^{(i)}{y}^{(j)}{\left(x^{(i)}\right)}^T{x}^{(j)}\right]$$
发现，第一项与第三项之间只有系数上的差异。重新将三项合并，得到最终的$\mathcal{L}(\mathcal{W},b,\lambda )$结果：
此时结果只包含${\lambda }^{(i)}(i=1,2,\cdots ,N)$一种类型的变量。
$$\mathcal{L}(\mathcal{W},b,\lambda )=-\frac{1}{2}\left[\sum _{i=1}^N\sum _{j=1}^N{\lambda }^{(i)}{\lambda }^{(j)}{y}^{(i)}{y}^{(j)}{\left(x^{(i)}\right)}^T{x}^{(j)}\right]+\sum _{i=1}^N{\lambda }^{(i)}$$
由于对$b$求解偏导化为了新的条件；对$\mathcal{W}$求偏导得到了$\mathcal{W}$关于$\lambda$的最优解。因此，则有：
$$\underset{\mathcal{W},b}{\min }\mathcal{L}(\mathcal{W},b,\lambda )=-\frac{1}{2}\left[\sum _{i=1}^N\sum _{j=1}^N{\lambda }^{(i)}{\lambda }^{(j)}{y}^{(i)}{y}^{(j)}{\left(x^{(i)}\right)}^T{x}^{(j)}\right]+\sum _{i=1}^N{\lambda }^{(i)}$$

最终，通过求解对偶问题，将对偶问题转化为 目标函数、约束条件中只含${\lambda }^{(i)}(i=1,2,\cdots ,N)$的优化问题：
该公式对应于机器学习(周志华著)123页最下方。
$$\{\begin{array}{l}\underset{\lambda }{\max }-\frac{1}{2}\left[{\sum }_{i=1}^N{\sum }_{j=1}^N{\lambda }^{(i)}{\lambda }^{(j)}{y}^{(i)}{y}^{(j)}{\left(x^{(i)}\right)}^T{x}^{(j)}\right]+{\sum }_{i=1}^N{\lambda }^{(i)}\\ s.t.{\lambda }^{(i)}\le 0\end{array}$$

下一节将引入$KKT$条件，将最优直线的表达式求解出来。

相关参考：
仿射函数-百度百科
凸二次规划(convex quadratic programming)问题
机器学习-支持向量机2-硬间隔SVM-模型求解(对偶问题之引出)
机器学习-支持向量机5-约束优化问题-弱对偶性证明