更新SVM:alphas的优化修改量的求解公式

src/python/6.SVM/svm-complete.py

@@ -247,7 +247,7 @@ def innerL(i, oS):
             return 0
 
         # eta是alphas[j]的最优修改量，如果eta==0，需要退出for循环的当前迭代过程
-        # 类似：2ab <= a^2 + b^2
+        # 参考《统计学习方法》李航-P125~P128<序列最小最优化算法>
         eta = 2.0 * oS.K[i, j] - oS.K[i, i] - oS.K[j, j]  # changed for kernel
         if eta >= 0:
             print("eta>=0")

src/python/6.SVM/svm-complete_Non-Kernel.py

@@ -196,7 +196,7 @@ def innerL(i, oS):
             return 0
 
         # eta是alphas[j]的最优修改量，如果eta==0，需要退出for循环的当前迭代过程
-        # 类似：2ab <= a^2 + b^2
+        # 参考《统计学习方法》李航-P125~P128<序列最小最优化算法>
         eta = 2.0 * oS.X[i, :] * oS.X[j, :].T - oS.X[i, :] * oS.X[i, :].T - oS.X[j, :] * oS.X[j, :].T
         if eta >= 0:
             print("eta>=0")

src/python/6.SVM/svm-simple.py

@@ -127,7 +127,7 @@ def smoSimple(dataMatIn, classLabels, C, toler, maxIter):
                     continue
 
                 # eta是alphas[j]的最优修改量，如果eta==0，需要退出for循环的当前迭代过程
-                # 类似：2ab <= a^2 + b^2
+                # 参考《统计学习方法》李航-P125~P128<序列最小最优化算法>
                 eta = 2.0 * dataMatrix[i, :]*dataMatrix[j, :].T - dataMatrix[i, :]*dataMatrix[i,:].T - dataMatrix[j, :]*dataMatrix[j, :].T
                 if eta >= 0:
                     print("eta>=0")