1700534113
1700534114
至此，我们从SVM直观推导和凸优化理论两个角度揭示了题目的真相。其实，在机器学习中还有很多这样看上去显而易见，细究起来却不可思议的结论。面对每一个小问题，我们都应该从数学原理出发，细致耐心地推导，对一些看似显而易见的结论抱有一颗怀疑的心，才能不断探索，不断前进，一步步攀登机器学习的高峰。
1700534115
1700534116
问题2 是否存在一组参数使SVM训练误差为0？
1700534117
1700534118
难度：★★★☆☆
1700534119
1700534120
1700534121
一个使用高斯核训练的SVM中，试证明若给定训练集中不存在两个点在同一位置，则存在一组参数{α1,…,αm,b}以及参数γ使得该SVM的训练误差为0。
1700534122
1700534123
分析与解答
1700534124
1700534125
根据SVM的原理，我们可以将SVM的预测公式可写为
1700534126
1700534127
1700534128
，
1700534129
1700534130
（3.8）
1700534131
1700534132
1700534133
1700534134
其中为训练样本，而{α1,…,αm,b}以及高斯核参数γ为训练样本的参数。由于不存在两个点在同一位置，因此对于任意的i≠j，有。我们可以对任意i，固定αi=1以及b=0，只保留参数γ，则有
1700534135
1700534136
1700534137
1700534138
1700534139
（3.9）
1700534140
1700534141
将任意x(j)代入式（3.9）则有
1700534142
1700534143
1700534144
，
1700534145
1700534146
（3.10）
1700534147
1700534148
1700534149
，
1700534150
1700534151
（3.11）
1700534152
1700534153
1700534154
．
1700534155
1700534156
（3.12）
1700534157
1700534158
1700534159
1700534160
由题意知，取，可将式（3.12）重写为
1700534161
1700534162
