高斯混合模型：不掉包实现多维数据聚类分析

《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

昨天实现推送了，GMM高斯混合的EM算法实现的完整代码，这是不掉包的实现，并且将结果和sklearn中的掉包实现做了比较：聚类结果基本一致，要想了解这个算法实现代码的小伙伴，可以参考：

机器学习高斯混合模型：聚类原理分析（前篇）
机器学习高斯混合模型（中篇）：聚类求解
机器学习高斯混合模型（后篇）：GMM求解完整代码实现
机器学习储备（13）：概率密度和高斯分布例子解析

以上包括了高斯混合模型的原理，公式推导过程，完整的代码实现，以及高斯概率密度公式的例子解析。

02
—
二维高斯分布聚类数据生成

在此不再将完整的代码黏贴上，有需要的请参考上个推送或者在微信或QQ群中和我要Jupyter NoteBook的实现代码。

下面仍然借助sklearn的高斯分布的数据簇生成功能，注意参数n_features的含义是生成2维（2个特征）的数据集。

x,label = make_blobs(n_samples=500,n_features=2, centers=3,
cluster_std=[0.6,1.2,1.8],
random_state=1)

sklearn生成的满足二维高斯分布的3簇数据如下所示：

<