常见的聚类算法有：K-means、DBSCAN、OPTICS、STING、GMM等等，本文将针对聚类算法GMM进行深入介绍，其他相关聚类算法会在后续进一步介绍。02 算法原理GMM的优点主要有：使用多个高GMM=Gaussian-Mixed-Model 即高斯混合模型，通过多个高斯分布模型的加权组合，我们可以用来拟合任意类型的分布。GMM是一个非监督模型，与Kmeans、LVQ算法相比，GMM分类结果是一个概率。图片来源(网
最大期望算法(Expectation-maximization algorithm,简称EM,又译期望最大化算法)在统计中被用于寻找依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。在统计计算中，最大EM算法和GMM算法的相关推导及原理极大似然估计我们先从极大似然估计说起，来考虑这样的一个问题，在给定的一组样本x1,x2···xn中，已知它们来自于高斯分布N(u, σ),那么我们来试试
GMM是一种聚类算法，每个component就是一个聚类中心。即在只有样本点，不知道样本分类(含有隐含变量)的情况下，计算出模型参数(π,u和Σ)---这显然可以用EM算法来高斯混合模型(GMM) 算法的工作原理正如前面提到的，可以将GMM 称为概率的KMeans，这是因为KMeans 和GMM 的起点和训练过程是相同的。但是，KMeans 使用基于距离的方法，而GM
≥▂≤ 高斯混合模型(Gaussian Mixture Model)通常简称GMM,是一种业界广泛使用的聚类算法，该方法使用了高斯分布作为参数模型，并使用了期望最大(Expectation Maximization,简称EM)算法进行GMM算法大致原理为：建立k个高斯分布，即n_clusters = k,通过聚类将样本分为k个簇，通过EM算法进行若干次迭代更新alpha、miu、sigma三个参数，样本最终落入满足高斯分布概率最高的簇中。
