本文是将文章《线性可分支持向量机的原理推导》中的公式单独拿出来做一个详细的解析，便于初学者更好的理解。

你提到的公式是支持向量机中的公式 9-25，它表示对拉格朗日函数 $L(w,b,\alpha )$ 关于 $w$ 求导后的结果，并设定偏导数为 0 来找到最优解。我们来详细解释这个公式。

公式 9-25 的表达式为：
$$\frac{\partial L}{\partial w}=w^{\ast }-\sum _{i=1}^N{\alpha }_i^{\ast }{y}_i{x}_i=0$$

1. 公式的含义

这个公式是支持向量机优化问题中的站点条件，用于求解最优的法向量 $w^{\ast }$。公式中的每个符号的含义如下：

• $w^{\ast }$：这是优化过程中求得的最优法向量，定义了支持向量机的分类超平面。
• ${\alpha }_i^{\ast }$：这是优化求解得到的最优拉格朗日乘子，表示每个样本点的权重。${\alpha }_i^{\ast }\ge 0$，并且只有 ${\alpha }_i^{\ast }>0$ 的样本点（即支持向量）才会对分类超平面有贡献。
• $y_i$：是第 $i$ 个样本的类别标签，取值为 $+1$ 或 $-1$。
• $x_i$：是第 $i$ 个样本的特征向量，表示样本点在特征空间中的位置。
• $N$：是样本的数量。

2. 公式的推导

该公式源自拉格朗日函数对 $w$ 的求导，并设偏导数为 0 以满足最优性条件。

拉格朗日函数 $L(w,b,\alpha )$ 的定义为：
$$L(w,b,\alpha )=\frac{1}{2}\Vert w{\Vert }^2-\sum _{i=1}^N{\alpha }_i\left(y_i(w^T{x}_i+b)-1\right)$$

第一步：对 $w$ 求导

为了找到最优法向量 $w$，我们对拉格朗日函数 $L(w,b,\alpha )$ 关于 $w$ 求导：

• 第一项 $\frac{1}{2}\Vert w{\Vert }^2$：这是关于 $w$ 的二次项，其偏导数为：
  $$\frac{\partial }{\partial w}\left(\frac{1}{2}\Vert w{\Vert }^2\right)=w$$

• 第二项 ${\sum }_{i=1}^N{\alpha }_i{y}_i(w^T{x}_i+b)$ 中，只有 $w^T{x}_i$ 与 $w$ 有关，其偏导数为：
  $$\frac{\partial }{\partial w}\left(\sum _{i=1}^N{\alpha }_i{y}_i{w}^T{x}_i\right)=\sum _{i=1}^N{\alpha }_i{y}_i{x}_i$$

第二步：设置偏导数为 0

我们将这两个偏导数结合，并设置偏导数为 0：
$$w-\sum _{i=1}^N{\alpha }_i{y}_i{x}_i=0$$

从而得到最优法向量 $w^{\ast }$ 的表达式：
$$w^{\ast }=\sum _{i=1}^N{\alpha }_i^{\ast }{y}_i{x}_i$$

这个公式表示最优法向量 $w^{\ast }$ 是所有样本点的线性组合，每个样本点 $x_i$ 的权重由拉格朗日乘子 ${\alpha }_i^{\ast }$ 和类别标签 $y_i$ 确定。

3. 几何意义

这个公式告诉我们，支持向量机的分类超平面法向量 $w^{\ast }$ 是由一组样本点的线性组合构成的。并且：

• 只有那些 ${\alpha }_i^{\ast }>0$ 的样本点（即支持向量）对分类超平面的构造起到作用。
• 其他 ${\alpha }_i^{\ast }=0$ 的样本点不会影响分类超平面的定义。

4. 公式的物理意义

• 支持向量的作用：根据这个公式，只有那些处于分类边界附近的支持向量（即 ${\alpha }_i^{\ast }>0$）才会对分类器的超平面产生影响，而那些远离分类边界的样本点则不会影响 $w^{\ast }$ 的计算。

• 法向量的确定：法向量 $w^{\ast }$ 是所有支持向量的加权和，它决定了分类器的方向和位置。

5. 总结

公式 9-25 是支持向量机中的核心公式之一，它表明最优法向量 $w^{\ast }$ 是由支持向量的线性组合构成的。通过优化拉格朗日乘子 ${\alpha }_i$，我们可以确定哪些样本点是支持向量，并构造出分类超平面的最优法向量。