高斯混合模型假设每个簇的数据都是符合高斯分布(正太分布)的，当前数据呈现的分布就是各个簇的高斯分布叠加在一起的结果。用多个高斯分布函数的线性组合对数据分布进行拟合。理论上，高斯混合模型可以拟合出任意类型的分布。
1、核心思想
当我们研究各类数据时，假设同一类的数据符合高斯分布；当数据事实上有多个类，或者我们希望将数据划分为一些簇时，可以假设不同簇中的样本各自符合不同的高斯分布，由此得到的聚类算法称为高斯混合模型。
假设数据可以看作从多个高斯分布中生成出来的，在该假设下，每个单独的分模型都是标准高斯模型，其均值和方差是呆估计参数，每个分模型还有一个权重（生成数据的概率）。
2、生成式模型
数据的生成过程：
- 两个一维标准高斯分布模型 N(0,1) 和 N(5,1) ，其权重分别是 0.7 和 0.3。
- 那么生成第一个数据点时，按照权重比例，随机选择一个分布，比如选择第一个高斯分布，接着从 N(0,1) 中生成一个点，如 -0.5，便是第一个数据点。在生成第二个数据点时，随机选择到第二个高斯分布 N(5,1)，生成第二个点 4.7。
- 如此循环执行，便生成了所有的数据点。
3、EM 算法求解
首先，初始随机选择各参数的值。然后，重复下述两步，直到收敛。
- E 步骤：根据当前参数，计算每个点由某个分模型生成的概率
- M 步骤：使用 E 步骤估计出的概率，来改进每个分模型的均值、方差、权重。
参考链接
https://www.cnblogs.com/mindpuzzle/archive/2013/04/24/3036447.html
https://www.jianshu.com/p/006453a29d5f
