译者：@rickllyxu
为了理解对偶性，你首先得理解拉格朗日乘子法。它基本思想是将一个有约束优化问题转化为一个无约束优化问题，其方法是将约束条件移动到目标函数中去。让我们看一个简单的例子，例如要找到合适的 
和 
使得函数 
最小化，且其约束条件是一个等式约束：
。使用拉格朗日乘子法，我们首先定义一个函数，称为拉格朗日函数：
。每个约束条件（在这个例子中只有一个）与新的变量（称为拉格朗日乘数）相乘，作为原目标函数的减数。
Joseph-Louis Lagrange 大牛证明了如果 
是原约束优化问题的解，那么一定存在一个 
，使得 
是拉格朗日函数的驻点（驻点指的是，在该点处，该函数所有的偏导数均为 0）。换句话说，我们可以计算拉格朗日函数 
关于 
以及 
的偏导数；然后我们可以找到那些偏导数均为 0 的驻点；最后原约束优化问题的解（如果存在）一定在这些驻点里面。
在上述例子里，偏导数为
当这些偏导数均为 0 时，即 
，即可得 
。这是唯一一个驻点，那它一定是原约束优化问题的解。然而，上述方法仅应用于等式约束，幸运的是，在某些正则性条件下，这种方法也可被一般化应用于不等式约束条件（例如不等式约束，
）。如下公式 C-1 ，给了 SVM 硬间隔问题时的一般化拉格朗日函数。在该公式中，
是 KKT 乘子，它必须大于或等于 0。
译者注
是
抑或
，取决于拉格朗日函数的写法，以及原目标函数函数最大化抑或最小化。
就像拉格朗日乘子法，我们可以计算上述式子的偏导数、定位驻点。如果该原问题存在一个解，那它一定在驻点 
之中，且遵循 KKT 条件：
- 遵循原问题的约束：
, 对于 
- 遵循现问题里的约束，即
或者第i个约束条件是积极约束，意味着该等式成立：
。这个条件叫做 互补松弛条件。它暗示了 和第i个样本位于 SVM 间隔的边界上（该样本是支持向量）。
注意 KKT 条件是确定驻点是否为原问题解的必要条件。在某些条件下，KKT 条件也是充分条件。幸运的是，SVM 优化问题碰巧满足这些条件，所以任何满足 KKT 条件的驻点保证是原问题的解。
我们可以计算上述一般化拉格朗日函数关于w和b的偏导数，如公式 C-2。
令上述偏导数为 0，可得到公式 C-3。
如果我们把上述式子代入到一般化拉格朗日函数（公式 C-1）中，某些项会消失，从而得到公式 C-4，并称之为原问题的对偶形式。
现在该对偶形式的目标是找到合适的向量 ，使得该函数 
最小化，且 
。现在这个有约束优化问题正是我们苦苦追寻的对偶问题。
一旦你找到了最优的 ，你可以利用公式 C-3 第一行计算 
。为了计算 
，你可以使用支持向量的已知条件 
，当第 k 个样本是支持向量时（即它对应的 
），此时使用它计算 
。对了，我们更喜欢利用所有支持向量计算一个平均值，以获得更稳定和更准确的结果，如公式 C-5。
