高斯混合模型（Gaussian Mixture Model，GMM）聚类算法（python实现）

原理：

1. 目标：将样本集合划分为 K 个高斯分布所表示的聚类，每个聚类对应一个高斯分布。
2. 初始化：随机选择 K 个高斯分布作为初始聚类的参数。
3. 迭代优化：重复以下步骤，直到收敛：
   • E 步骤（Expectation）：根据当前的高斯分布参数，计算每个样本属于每个高斯分布的后验概率。
   • M 步骤（Maximization）：基于样本的后验概率，重新估计每个高斯分布的参数（均值和协方差）。
4. 收敛条件：当参数不再发生变化，或者变化很小，算法收敛。

数学公式：

1. 高斯分布表示：假设第 k 个高斯分布的参数为 𝜃𝑘=(𝜇𝑘,Σ𝑘))，其中 𝜇𝑘是均值向量，Σ𝑘是协方差矩阵。
2. 样本属于高斯分布的后验概率：对于样本 ，它属于第 k 个高斯分布的后验概率为： 其中：
   • ​ 是第 k 个高斯分布的先验概率（混合系数），满足 。