GMM高斯混合模型

简述：高斯混合模型是一种常见的聚类算法，与K均值算法类似，同样使用了EM算法进行迭代。高斯混合模型假设每个簇的数据都是符合高斯分布的，当前数据呈现的分布就是各个簇的高斯分布叠加在一起的效果，可用多个高斯分布函数的线性组合来对数据分布进行拟合。理论上，高斯混合模型可以拟合出任意类型的分布。

公式解说：
GMM的概率密度函数：
其中是第k个高斯模型的概率密度函数，指的是选定第k个模型后产生x的概率，是第k个高斯模型的权重，称作选择第k个模型的先验概率，且满足 。

GMM的意义：
比如一个班级所有同学的身高可以看作一个高斯分布，但是，一个高斯分布难免会欠拟合。所以，将维度变为2，拆分为男女两部分数据，用两个高斯模型共同拟合，这样拟合出来的分布才会更符合真实的数据分布。

GMM的参数求解：（EM算法）
待求解参数：均数,方差，权重 。
步骤：
①确定K值，随机初始各个参数值；
②E步：根据当前参数，计算每个点由某个分模型生成的概率；
③M步：E步估计出的概率越大，则相对应的模型权重越大，用此作为权重来计算加权的均值和方差来替代其原本的均值和方差；
④重复E步M步直至均值、方差收敛。
E步中计算概率的方法是：

其中K是单高斯分布的个数，N是观测值的数目。在确定所有单个高斯分布之后，可以计算单个高斯分布下观测值发生的概率与观测值在整个分布上发生的概率的比值。这个歌比值指的是第k个高斯分布对观测值发生概率的贡献。单个高斯分布对整个GMM的贡献可以表示为：

高斯混合模型与K均值算法：
1.共同点:
①可用于聚类的算法；
②都需要指定K值；
③都是需要使用EM算法来求解；
④都往往只能收敛于局部最优。
2.GMM相比于K均值算法的优点是:
①可以给出一个样本属于某一类的概率是多少，而不是绝对的属于哪一类；
②不仅仅可以用于聚类，还可以用于概率密度的估计；
③可以用于生成新的样本点。
④多维的时候，高斯混合模型需要计算协方差，考察不同维度之间的相互约束关系。