高斯混合模型 (GMM) 是一种概率模型，假设所有数据点都是由有限数量的参数未知的高斯分布的混合生成的。它是一种聚类算法，也是最常用的聚类算法之一。
GMM 是一种无监督学习算法，可用于分类、数据聚类和密度估计等各种应用。此类模型的主要目标是通过查找数据点中的隐藏模式来确定数据集的底层结构。它可用于识别数据集中的同质簇。
高斯混合模型基于这样的思想：数据集可以描述为多个高斯分布的混合，每个高斯分布都有自己的参数（均值、方差等）。该模型将每个数据点分配给一个分量高斯分布，并且然后根据数据估计高斯分量的参数。
在 GMM 中，高斯分量被组合成加权和，每个分量对总混合物贡献一些权重。这个想法是，权重将捕获每个组件对总数据分布做出贡献的相对可能性。
GMM 是一种众所周知且广泛使用的算法，广泛应用于计算机视觉、信号处理、图像分割、数据挖掘等领域。 GMM 易于实现，并且能够使用相对较少的参数对复杂的数据分布进行建模。
尽管有优点，GMM 也有一些缺点。例如，它仅适用于由高斯分布的混合很好地表示的数据，并且可能难以在更复杂的数据中找到聚类。此外，高斯函数的参数可能对初始化的选择敏感，这可能难以优化。
