SKWIC
bitmask 诸位check 位运算搞笑，不要除2坐，除2就是右移
for(int j=0;j<n;j++)
{
int k=(1<<j)&i;
}
decimated 大幅下降
decimal 十进制
by virtual of 由于
designate 指派 assign
今天重新看了一下SKWIC算法，经过蛋哥的梳理，现在完全看懂了算法的流程。
delta_i其实就是目标函数的 左边类内距离之和 和 右侧的惩罚项对于vik的函数是同一阶的。然后算出deltai, 并进行解释为什么要这么设置delta_i
今天回顾了一下在廖瑞琪师兄，易源师兄里面都用到了的SKWIC算法，其实文章里有一个deltai的公式就xifeng一下就出来了，一直值得遐想。
不过那个公式先暂放，里面还有非常多不严谨的地方。
Kmeans算法的Minimize公式是虽有类内距离之和最小化，现在是一个自动加权的机制，也就是两个样本之间的欧氏距离，比如，是每一维差的平方和，
这个和是等权值的和，理解成权值都是1。
现在基于这一一个目的，对每一维赋予一个权值，更具体的，对于每一个cluster的每一维特征，都赋予一个权值，并且是自动加权的，初始值显然1/n比较合适。
目标函数是右边加了一串东西，具体的见 鄙人主页里，这个博客系统打复杂公式还不熟练 http://admis.fudan.edu.cn/~rczhang/rczhang_academic/GIW2013.pdf
然后对于含约束条件的极值问题，采用拉格朗日乘子，高数一比较做的多是单变量，现在是C个变量，C是Cluster数量，准确的说是C*n个变量，n是维度，但是我们
进行矩阵或者向量的推导时，看成C个向量，因此还是C各变量，用C个lamda变量构造拉格朗日函数。
然后对Vik和lamdai分别求导，这里对向量求导需要习惯。然后计算Vik，这个是权值矩阵。
通过两个式子计算Vik，里面有一个deltai这个初始值是选了一个较小的值，例如0.001，文章中对这点没有提及，是疏漏之一。
然后updata 类中心向量的时候也有一些区别，对于Vik=0，表示第k维特征与第i个类无关，那么直接对于这一维的类中心分量为0，而其他则按照普通的平均公式计算类中心。
SKWIC算法流程：
初始：vik=1/n，类中心随机抽取
Repeat
算Vik，权值矩阵C*n
算DWCij，距离矩阵C*N，按照对应距离公式计算
归类，按照距离最近原则
Cik，Vik=0的赋值0，其他按照普通均值向量计算
算dealtai，公式没有来头
Until