机器学习高斯混合模型（中篇）：聚类求解

《实例》阐述算法，通俗易懂，助您对算法的理解达到一个新高度。包含但不限于：经典算法，机器学习，深度学习，LeetCode 题解，Kaggle
实战。期待您的到来！

01
—
回顾

昨天，介绍了高斯混合模型（GMM）的一些有意思的小例子，说到高斯混合能预测出每个样本点属于每个簇的得分值，这个具有非常重要的意义，大家想了解这篇推送的，请参考：
机器学习高斯混合模型：聚类原理分析（前篇）

02
—
GMM求解思路

GMM中的归纳偏好是组成数据的几个簇都满足高斯分布。

GMM求解的已知条件：
被分簇的个数是已知的；
当然，还有那一堆训练数据

GMM算法的任务：预测出每个样本点属于每个簇的得分值，每个簇中得分最大的就是这个样本点属于的簇。

GMM算法的求解思路：我们先从一个簇说起，此时就是一个高斯分布吧。假如已知训练数据有20个，那么这20个数据一定属于当前这个簇吧，因为一共就有1个簇，那是必须属于吧，所以只需要求这个高斯分布的参数：均值和方差，一般参数估计都是用最大似然估计吧，就是每个样本发生的概率乘积最大吧，得到：

这样我们就求出这20个数据满足以上参数的高斯分布的概率密度，再来一个数据时，我们根据这个概率密度的公式，便能得出它的概率密度吧。

那两个簇组成的GMM呢？它和一个簇满足高斯有什么不同呢？只有一个不同࿱