一、两个角度看GMM

1、从几何角度来看：加权平均值，多个高斯分布叠加而成

纵轴——f（x）概率密度函数，横轴——数据点

2、从混合模型角度看

x:observed variable

z:latent variable →对应的样本是属于哪一个高斯分布，离散随机变量

（z就是一个指示变量，指示类别c1...ck）

高斯分布本质是一个生成模型，可以这样理解，有一个骰子，每个面不均匀，表示它属于不同的高斯模型，那么要生成数据点，就摇骰子，摇出来哪个面就是哪个高斯模型，然后用这个模型去生成，也就是从这个里面去采样

二、极大似然

极大似然无法计算高斯混合模型的参数

三、EM求解高斯混合模型-E-step 期望

四、EM求解高斯混合模型-M-step 求最大值