diff --git a/docs/6.支持向量机.md b/docs/6.支持向量机.md
index e4c9107c..277c79e6 100644
--- a/docs/6.支持向量机.md
+++ b/docs/6.支持向量机.md
@@ -1,4 +1,5 @@
# 6) 支持向量机
+
@@ -54,30 +55,63 @@ This is the simplest kind of SVM (Called an LSVM) Support Vectors are those data
* 选择D会比B、C分隔的效果要好很多，原因是上述的5个结论。
-> 怎么寻找最大间隔
+### 怎么寻找最大间隔
+> 点到超平面的距离
+* 分隔超平面`函数间距`: $$y(x)=w^Tx+b$$
+* 分类的结果： $$f(x)=sign(w^Tx+b)$$ (sign表示>0为1，<0为-1，=0为0)
+* 点到超平面的`几何间距`: $$d(x)=(w^Tx+b)/||w||$$ [ ||w||表示w矩阵的二范式=> sqrt(w*w^T), 点到超平面的距离也是类似的，需要复习一下向量的知识 ]
+
+> 拉格朗日乘子法的使用
+* 类别标签用-1、1，是为了后期方便`lable*(w^Tx+b)`的标识和距离计算；如果`lable*(w^Tx+b)>0`表示预测正确，否则预测错误。
+* 现在目标很明确，就是要找到`w`和`b`，因此我们必须要找到最小间隔的数据点，也就是前面所说的`支持向量`。
+ * 也就说，让最小的距离取最大.(最小的距离：就是最小间隔的数据点；最大：就是最大间距，为了找出最优超平面--最终就是支持向量)
+ * 怎么理解呢？ 例如： 所有的点看作地雷吧，那么我们(超平面)得找到最近所有的地雷，并保证我们离它最远。
+ * 目标函数：`arg max{min(lable*(w^Tx+b)/||w||)}`
+ * 1.如果`lable*(w^Tx+b)>0`表示预测正确，`||w||`可以理解为归一化，我们始终可以找到一个阈值让`lable*(w^Tx+b)>=1`
+ * 2.所以令`lable*(w^Tx+b)=1`，我们本质上是求 `arg max[关于w, b] (1/||w||)`；也就说，我们约束(前提)条件是`lable*(w^Tx+b)>=1`
+* 新的目标函数求解： `arg max[关于w, b] (1/||w||)`
+ * => 就是求: `arg min[关于w, b] (||w||)` (求矩阵会比较麻烦，如果x只是1/2*X^2的偏导数，那么。。同样是求最小值)
+ * => 就是求: `arg min[关于w, b] (1/2*||w||^2)` (二次函数求导，求极值，平方也方便计算)
+ * 本质上就是求线性不等式的二次优化问题(求分隔超平面，等价于求解相应的凸二次规划问题。)
+* 通过拉格朗日乘子法，求二次优化问题
+ * 假设需要求极值的目标函数 (objective function) 为 f(x,y)，限制条件为 φ(x,y)=M
+ * 设g(x,y)=M-φ(x,y) # 临时φ(x,y)表示下文中`label*(w^Tx+b)`
+ * 定义一个新函数: F(x,y,λ)=f(x,y)+λg(x,y)
+ * a为λ，代表要引入的拉格朗日乘子(Lagrange multiplier)
+ * 那么： `L(w,b,a)=1/2||w||^2 + Σ a*[1-label*(w^Tx+b)]` => `L(w,b,a)=1/2||w||^2 - Σ a*[label*(w^Tx+b)-1]`
+ * 因为：`label*(w^Tx+b)>=1, a>0` , 所以`a*[label*(w^Tx+b)-1]>=0`, Σ 0~n的加和也都大于0
+ * `max[关于a] (L(w,b,a)) = 1/2*||w||^2`
+ * 如果求： `min(1/2*||w||^2)`, 也就是要求： `arg min[关于w, b]{ max[关于a] (L(w,b,a)) }`
+* 现在转化到对偶问题的求解
+ * `min[关于w, b]{ max[关于w, b] (L(w,b,a)) } >= max[关于w, b] { min[关于w, b] (L(w,b,a)) }`
+ * 现在分2步
+ * 先求：`min[关于w, b] (L(w,b,a))=1/2||w||^2 + Σ a*[1-label*(w^Tx+b)]`
+ * 就是求`L(w,b,a)`关于[w, b]的偏导数, 得到`w和b的值`，并化简为：`L和a的方程`。
+ * 参考： 1.【计算拉格朗日函数的对偶函数-下图是参考小象学院】 2.如果公式推导还是不懂，也可以参考《统计学习方法》李航-P103<学习的对偶算法>
+ * 
+* 终于得到课本上的公式：`max(Σ(i=>n) a[i] - 1/2*Σ(i,j=>n) a[i]*a[j]]*label(i)*label(j)*)`
+* 约束条件： `a>=0 and Σ a[i]*label(i)=0`
+> 松弛变量(slack variable)
+* 我们知道几乎所有的数据都不那么干净, 通过引入松弛变量来允许数据点可以处于分隔面错误的一侧。
+* 约束条件： `C>=a>=0 and Σ a[i]*label(i)=0`
+* 这里常量C用于控制“最大化间隔”和“保证大部分点的函数间隔小于1.0” 这两个目标的权重。
+* 常量C是一个常数，我们通过调节钙参数得到不同的结果。一旦求出了所有的alpha，那么分隔超平面就可以通过这些alpha来表示。
+* 这一结论十分直接，SVM中的主要工作就是要求解 alpha.
+> SVM应用的一般框架
-
-* 支持向量机的目标是找出能够最大化训练集数据间隔（margin）的最优分类超平面。
-
-* 支持向量机特点
-
- * 优点：泛化错误率低，计算开销不大，结果易解释。
- * 缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。
- * 适用数据类型：数值型和标称型数据。
-
-* SVM应用的一般流程
- 1. 准备收集数据：可以使用任何方法。
- 2. 准备数据：需要数值型数据。
- 3. 分析数据：有助于可视化分隔超平面。
- 4. 训练算法：SVM的大部分时间都花在训练上，该过程主要实现两个参数的调优。
- 5. 测试算法：测试分类结果是否达到预期的目的。
- 6. 使用算法：几乎所有分类问题都可以使用SVM，值得一提的是，SVM本身是一个二类分类器，
- 对多类问题应用SVM需要对代码做一些修改。
-
+```
+SVM的一般流程
+收集数据：可以使用任意方法。
+准备数据：需要数值型数据。
+分析数据：有助于可视化分隔超平面。
+训练算法：SVM的大部分时间都源自训练，该过程主要实现两个参数的调优。
+测试算法：十分简单的计算过程就可以实现。
+使用算法：几乎所有分类问题都可以使用SVM，值得一提的是，SVM本身是一个二类分类器，对多类问题应用SVM需要对代码做一些修改。
+```
diff --git a/images/6.SVM/SVM_4_point2line-distance.png b/images/6.SVM/SVM_4_point2line-distance.png
new file mode 100644
index 00000000..bb680b31
Binary files /dev/null and b/images/6.SVM/SVM_4_point2line-distance.png differ
diff --git a/images/6.SVM/SVM_5_Lagrangemultiplier.png b/images/6.SVM/SVM_5_Lagrangemultiplier.png
new file mode 100644
index 00000000..c98c5aaa
Binary files /dev/null and b/images/6.SVM/SVM_5_Lagrangemultiplier.png differ