深入解析python版SVM源码系列（三）——计算样本的预测类别

系列（二）中，对于SMO算法中有一个重要的代码：计算样本的预测类别。如下：

fXi = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[i,:].T)) + b  # 第i样本的预测类别

我们知道原始的预测类别计算公式是用决策面的参数w和b表示的，那么为什么这里的貌似不一样呢？
原始的预测类别计算公式为：

其中w可以表示为：

然后分类函数可以转化为：

关于这个的解释，july博客上说的比较清晰：

这里的形式的有趣之处在于，对于新点 x的预测，只需要计算它与训练数据点的内积即可（<.>表示向量内积），这一点至关重要，是之后使用 Kernel 进行非线性推广的基本前提。

这样子的表示形式和上面代码就一致了。

这儿还有一个现象可以分析出来：哪些是支持向量。
答：alpha不等于0的为支持向量。

所谓 Supporting Vector 也在这里显示出来——事实上，所有非Supporting Vector