我就废话不多说了，直接上代码大家一起看吧！
#Gauss迭代法 输入系数矩阵mx、值矩阵mr、迭代次数n(以list模拟矩阵 行优先)
def Gauss(mx,mr,n=100):
if len(mx) == len(mr): #若mx和mr长度相等则开始迭代 否则方程无解
x = [] #迭代初值 初始化为单行全0矩阵
for i in range(len(mr)):
x.append([0])
count = 0 #迭代次数计数
while count <
约束优化算法实现SVM
约束优化算法概述
阅读文章前，我希望你应该知道约束优化问题的KKT条件，KKT条件能够给出一组方程，并且是最优解的必要条件，在这些解里做遍历并用二阶条件判断是一种解决问题的方式，但对一些并不容易计算的非线性方程组和hessian矩阵，这种方法并不高效。因此我们来介绍一些简单的解决一般约束优化问题的算法。
支持向量机算法推导
Python实现
import numpy as np
import random
from copy import deepcopy
