（13）聚类算法——GMM
Posted AI初见
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了（13）聚类算法——GMM相关的知识，希望对你有一定的参考价值。
GMM，Gaussian MixtureModel，高斯混合模型，其假设数据都是从多个不同的高斯分布中生成出来的，直白的说就是样本分布是由若干个高斯分布线性叠加起来的。假设每个GMM，组成，由K个高斯分布组成。若要从GMM中获取数据，可以分为两步：从k个高斯分布中选取其中一个，每个分布被选中的概率实际就是该分布加权时的系数；选定分布之后，再从这个分布中选取一点。
那么如何用GMM来做聚类？很简单，我们已知数据，就依靠这些数据拟合出GMM的概率分布来就可以了，组成GMM的K个分布就是对应的K个类别。假设N个数据点，某个数据服从某个分布的概率为p(x)。在GMM中需要确定每个分布的系数、均值和方差。
推导过程：
因手写，不太清晰，可以参照链接，链接中给推导过程不全，可以结合下图的步骤。https://blog.csdn.net/jinping_shi/article/details/59613054。
推导过程中，提到了EM算法，所谓EM就是期望最大化，其分两个步骤，求期望，然后最大值，在算法流程中有体现。
算法流程：
以上是关于（13）聚类算法——GMM的主要内容，如果未能解决你的问题，请参考以下文章
人工智能 | K-MEANS聚类算法均值偏移聚类算法DBSCAN聚类算法使用高斯混合模型（GMM）的期望最大化（EM）聚类合成聚类