混合高斯模型

混合高斯模型（Mixture Gaussian Model）是一种常用于概率密度估计和聚类的统计模型。在混合高斯模型中，假设数据是由多个高斯分布组合而成的，每个高斯分布称为一个分量（component），而数据点则根据这些分量的权重进行分配。

当你选择将混合高斯模型的分量数设置为 k = 2 时，意味着你希望用两个高斯分布来拟合数据。每个高斯分布都有其均值、方差和权重。

对于每个高斯分布的均值（mean）的计算，通常使用一种称为“期望最大化”（Expectation-Maximization，EM）算法来进行。EM 算法分为两个主要步骤：E 步骤（Expectation）和 M 步骤（Maximization）。

E 步骤（Expectation）：
在 E 步骤中，首先通过当前参数（均值、方差、权重）来计算每个数据点属于每个高斯分布的概率（后验概率）。这通常使用高斯分布的概率密度函数来计算。

M 步骤（Maximization）：
在 M 步骤中，根据 E 步骤中计算的后验概率，重新估计每个高斯分布的参数。均值的更新可以通过对数据点的权重加权平均来计算。

具体地，给定数据集 D，对于第 i 个高斯分布的均值 μ_i，它的更新可以如下计算：

其中，N 是数据点的总数，wij是数据点 x_j 属于第 i 个高斯分布的后验概率。上述计算中，wij通常是在 E 步骤中计算得出的后验概率。

重复进行 E 步骤和 M 步骤，直到模型的参数收敛为止。这样就可以获得适合数据的两个高斯分布，每个分布对应一个均值，从而完成了混合高斯模型的参数估计。