支持向量、支持平面。
要求d的极大值（即两个分离平面之间的距离最大），d最大则对应w极小，但是w的范式计算时带有根号，不方便，于是转为求w的平方极小。此时，转换为凸优化问题。
所以上述是一个凸优化问题，接下来应用拉格朗日乘子法（严格来说，叫KKT条件法）。
上面的问题为什么可以转化为拉格朗日乘子法呢？
相切点的几何意义：红线与蓝线的梯度在同一直线上。约束函数g，目标函数f。
结合公式发现，最后的解就是要满足两个函数的梯度方向相反，在同一条直线上。
严格的拉格朗日乘子法要求约束条件为等号，但是本问题中为不等号，所以是KKT条件。
可以理解为KKT条件是拉格朗日乘子法在不等式条件下的一种推广。
由于是不等式条件，所以目前还不能够求解，但是可以继续往前走——尝试将b和w消掉，得到新的拉格朗日函数。所以变成了求拉格朗日函数的系数问题，称为原拉格朗日问题的对偶问题。
回顾思路，首先我们把一个求解直观几何问题变成了求解一个凸优化问题，凸优化问题通过KKT条件变成拉格朗日问题，把偏导数等于0代进去，变成了一个拉格朗日乘子问题的对偶问题。对偶问题的形式整洁，且后半个公式是一个内积，有助于往非线性条件下推广的核函数。
简化后，对偶公式简单了，但是约束条件变多了。
这个对偶问题采用SMO算法求解。