Model campuran Gaussian (GMM) adalah model probabilistik yang mengasumsikan semua titik data dihasilkan dari campuran distribusi Gaussian dalam jumlah terbatas dengan parameter yang tidak diketahui. Ini adalah algoritma pengelompokan dan merupakan salah satu algoritma yang paling umum digunakan untuk pengelompokan.
GMM merupakan salah satu jenis algoritma pembelajaran tanpa pengawasan dan dapat digunakan untuk berbagai aplikasi mulai dari klasifikasi, pengelompokan data, dan estimasi kepadatan. Tujuan utama dari model jenis ini adalah untuk menentukan struktur yang mendasari suatu kumpulan data dengan menemukan pola tersembunyi di titik data. Ini dapat digunakan untuk mengidentifikasi cluster homogen dalam kumpulan data.
Model campuran Gaussian didasarkan pada gagasan bahwa kumpulan data dapat dideskripsikan sebagai campuran beberapa distribusi Gaussian, yang masing-masing memiliki parameternya sendiri (rata-rata, varians, dll.) Model tersebut menetapkan setiap titik data ke komponen Gaussian, dan parameter komponen Gaussian kemudian diperkirakan berdasarkan data.
Dalam GMM, komponen Gaussian digabungkan dalam jumlah tertimbang, dengan masing-masing komponen memberikan kontribusi sejumlah bobot terhadap total campuran. Idenya adalah bahwa bobot akan menangkap kemungkinan relatif bahwa setiap komponen berkontribusi terhadap total distribusi data.
GMM adalah algoritma yang terkenal dan banyak digunakan di berbagai bidang termasuk visi komputer, pemrosesan sinyal, segmentasi gambar, penambangan data, dan banyak lagi. GMM mudah diimplementasikan dan mampu memodelkan distribusi data yang kompleks dengan parameter yang relatif sedikit.
Terlepas dari kelebihannya, GMM memiliki beberapa kelemahan. Misalnya, ini hanya berfungsi untuk data yang terwakili dengan baik oleh campuran distribusi Gaussian, dan mungkin mengalami kesulitan dalam menemukan cluster dalam data yang lebih kompleks. Selain itu, parameter Gaussian mungkin sensitif terhadap pilihan inisialisasi, sehingga sulit untuk dioptimalkan.
