1.均值漂移推导
给定D维空间Rd的n个样本点，I=1，n，在空间中选择一个点X，那么Mean Shift向量的基本形式定义为：
Sk是半径为h的wjdmf区域，一组满足以下关系的Y点，
K表示在xi的N个样本点中，K个点属于Sk区域。
以上是官方的说法，也就是书中的定义。我的理解是，在D维空间中，选择任意一点，然后做一个以这个点为中心，H为半径的wjdmf。因为有D维，D可能大于2，所以是wjdmf。落在这个球里的所有点和圆心都会产生一个矢量，这个矢量就是从圆心落在球里的点的端点。然后把这些向量加起来。加法的结果是均值漂移向量。
如图所示。黄色箭头是Mh(均值漂移向量)。
然后以meanshift向量的末端为圆心，再做一个傻傻的自行车球。如下图所示，重复上述步骤以获得均值漂移向量。这样均值漂移算法就能收敛到概率密度最高的地方。也就是最密集的地方。
最终结果如下：
解释k()核函数，其中h是半径，Ck，d/nhd是单位密度。要最大化上面的公式F，最容易想到的就是上面公式的推导。的确，meanshift是上述公式的推导。
(2)
订单：
K(x)称为g(x)的影核。名字听起来很深奥，就是导数的负方向，所以上面的公式可以表达出来。
对于上面的公式，如果只使用高斯核，那么第一项等于FH，k。
第二项相当于均值漂移向量的公式：
那么(2)可以表示为
下图分析的成分，如图所示，可以清晰的表达其成分。