在线性SVM一文中提到，线性可分时b的求解。但是在线性不可分情形下，如下二维平面图，无法找到一条直线将红蓝色样本点完全分开
SVM提出了一个解决办法，就是把低维的特征投影到高维空间使得样本可以一分为二，例如下动图所示。
回顾上一节软间隔，我们得到优化目标
$\underset{a}{min}=\frac{1}{2}\sum \sum a_{i}a_{j}y_{i}y_{j}x_{i}\cdot x_{j}-\sum a_{i}$
$s.t \sum a_{i}y_{i}=0$
$0\leqslant \alpha _{i}\leqslant C$
那么按照低维到高维的思想， 我们在$x_{i}\cdot x_{j}$一个函数变化$\phi $,使得样本维度变高，然后再做內积，即$\phi(x_{i}) \cdot\phi(x_{j})$
也就是$\underset{a}{min}=\frac{1}{2}\sum \sum a_{i}a_{j}y_{i}y_{j}\phi(x_{i}) \cdot\phi(x_{j})-\sum a_{i}$
$s.t \sum a_{i}y_{i}=0$
$0\leqslant \alpha _{i}\leqslant C$
这样似乎简单粗暴地将线性不可分问题就解决了，但是人们很快发现这个方法的缺陷，当样本本身维度就很高时，再将样本特征映射到更高维，
计算量明显增大，甚至出现无穷维。
那么这时候核函数隆重登场！
举一个简单例子说明核函数（kernel function）的神奇之处
样本X1（a1，a2），X2（b1,，b2）
将二维特征投影到六维变成
X'1(1,√2a1,√2a2,a12,a22,√2a1a2)
X'2(1,√2b1,√2b2,b12,b22,√2b1b2)
X1'•X2'=1+2a1b1+2a2b2+a12b12+a22b22+2a1b1a2b2（高维空间做內积）
设K（Xi,Xj）=(Xi•Xj+1)2=(a1b1+a2b2+1)2=1+2a1b1+2a2b2+a12b12+a22b22+2a1b1a2b2
可以看出红色部分完全相同。
但是使用核函数求內积时，仅仅输入的是二维数据，但是和高维向量X1'和X2'的內积完全相同。
至于常见的核函数，参考https://blog.csdn.net/kateyabc/article/details/79980880
所以我们再将$\phi(x_{i}) \cdot\phi(x_{j})$变成$\mathbf{K}（x_{i}，x_{j}）$
整理算法过程：
$\underset{a}{min}=\frac{1}{2}\sum \sum a_{i}a_{j}y_{i}y_{j}\mathbf{K}（x_{i}，x_{j}）-\sum a_{i}$
$s.t \sum a_{i}y_{i}=0$
$0\leqslant \alpha _{i}\leqslant C$
1，根据SMO得到α*
2，根据$w = \sum a^{*}y_{i}\phi(x_{i})$有$w^{*}\phi(x_{j}) = \sum a^{*}y_{i}\phi(x_{i})\phi(x_{j})$,这里不必得到显式的w，而且，$\phi(x)$往往我们也不知道
3，根据$0<αi<C,找到所有支持向量上的点,小标为s，有
$y_{s}\left ( \sum \alpha _{i}y_{i} K\left ( x_{i},x_{s} \right )+b\right )=1$
其中的$\sum a_{i}y_{i}\phi(x_{i})\phi(x_{j})$为已知，所以可求得b，将b求平均得到b*
4，最终超平面为
$\sum \alpha ^{*}y_{i}K(x_{i},x_{j})+b^{*}=0$
对于核函数的定义低维的输入空间（欧式空间子集）到高维的希尔伯特空间的映射。参考这篇博文。简单理解不影响理解SVM即可。
