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
1700534163
．
1700534164
1700534165
（3.13）
1700534166
1700534167
1700534168
1700534169
1700534170
1700534171
1700534172
所以，对于任意x(j)，预测结果与样本真实标签y(j)的距离小于1。注意到，y(j)∈{1,−1}，当训练样本为正例，即时，预测结果>0，样本被预测为正例；而当训练样本为负例，即时，预测结果<0，样本被预测为负例。因此所有样本的类别都被正确预测，训练误差为0。
1700534173
1700534174
问题3 训练误差为0的SVM分类器一定存在吗？
1700534175
1700534176
难度：★★★★☆
1700534177
1700534178
虽然在问题2中我们找到了一组参数{α1,…,αm,b}以及γ使得SVM的训练误差为0，但这组参数不一定是满足SVM条件的一个解。在实际训练一个不加入松弛变量的SVM模型时，是否能保证得到的SVM分类器满足训练误差为0呢？
1700534179
1700534180
分析与解答
1700534181
1700534182
问题2找到了一组参数使得SVM分类器的训练误差为0。本问旨在找到一组参数满足训练误差为0，且是SVM模型的一个解。
1700534183
1700534184
1700534185
1700534186
1700534187
1700534188
1700534189
1700534190
考虑SVM模型中解的限制条件。我们已经得到了一组参数使得当时，>0；而当时，0。现在需要找到一组参数满足更强的条件，即。
1700534191
1700534192
1700534193
