以下内容转自 数析学院，只节选了部分，有需要的同学可以直接查看原文



高斯混合模型（Gaussian mixture model，GMM）是常见的一种概率模型类统计学习方法，它通过样本的概率密度分布估计来解决数据样本的聚类问题，在生物学统计与医学统计领域有着广泛的应用。今天将向大家介绍在 Python 中如何利用 Scikit-Learn 库中的相关工具构建高斯混合模型，以及这个模型在 Python 中使用的相关技巧。


首先，我们需要导入相关的可视化以及运算工具库，并构建示例数据：


在 Python 中，我们可以利用 Scikit-Learn 的 GMM 模块中的 GMM 函数构建对应的模型对象，从而进行高斯混合模型聚类：




聚类的结果如上图所示，我们可以调用 predict_proba 函数，计算每一个样本点的分类概率：
[[ 0.     0.     0.475  0.525] [ 0.     1.     0.     0.   ] [ 0.     1.     0.     0.   ] [ 0.     0.     0.     1.   ] [ 0.     1.     0.     0.   ]]



以上内容节选自 数析学院，原文还有 k-means 聚类效果对比、双月牙形的数据样本聚类效果评价、手写数字像素图聚类处理等，内容较多，先搬运到这，有需要的同学可以先直接到 数析学院 查看原文