高斯混合模型--GMM（Gaussian Mixture Model）
首先，我们先来了解一下，什么是高斯分布。
若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。
若随机变量
服从一个位置参数为
、尺度参数为
的概率分布，且其 概率密度函数
为
从上边的这个公式，我们就能知道，高斯分布完全由 和来确定的。
为了能够进一步描述这个关系，我们可以这么表示P(X|,)。
下面我们就讲解什么是高斯混合模型：
我们大家从名字就能大致了解什么是高斯混合模型，没错，就是我们把多个单一的高斯分布，组合在一起，就是高斯混合模型。定义如下：
我们首先要知道GMM是一种聚类的算法，是通过概率的方式，来进行簇的划分，说到这，估计大家会自然想到还有一个比较常用的聚类算法，没错就是你们想的 K-means聚类算法。
这里大致讲解一下K-means的大致思想：
先设置几个类也就是簇K，比如K=3，先为每个簇初始化一个簇中心，我们正常选取的是随机选取一个样本，然后计算每个样本点，到这三个簇中心的欧氏距离，选取样本距离簇中心最近的，就把这个归到这个簇中。
看看两个的区别：
如上图所示：
左边的图：新的样本点不断计算与其他簇中心的距离，右边的图：新的样本点不断计算与其他component的概率。
K-means就是不断迭代相互之间的距离，选取那个最小的距离作为自己的类。而GMM是不断迭代样本点分别属于每个component的概率，选取最大的概率那个作为自己的类
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
