1700535446
在M步骤，找到最优的参数，使得似然函数最大：
1700535447
1700535448
1700535449
．
1700535450
1700535451
（5.12）
1700535452
1700535453
经过推导可得
1700535454
1700535455
1700535456
．
1700535457
1700535458
（5.13）
1700535459
1700535460
1700535461
1700535462
因此，这一步骤等同于找到最优的中心点，使得损失函数达到最小，此时每个样本x(i)对应的簇z(i)已确定，因此每个簇k对应的最优中心点μk可以由该簇中所有点的平均计算得到，这与K均值算法中根据当前簇的分配更新聚类中心的步骤是等同的。
1700535463
1700535464
1700535465
1700535466
1700535467
百面机器学习：算法工程师带你去面试 [:1700532194]
1700535468
百面机器学习：算法工程师带你去面试 02 高斯混合模型
1700535469
1700535470
1700535471
1700535472
场景描述
1700535473
1700535474
高斯混合模型（Gaussian Mixed Model，GMM）也是一种常见的聚类算法，与K均值算法类似，同样使用了EM算法进行迭代计算。高斯混合模型假设每个簇的数据都是符合高斯分布（又叫正态分布）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。
1700535475
1700535476
图5.6是一个数据分布的样例，如果只用一个高斯分布来拟合图中的数据，图中所示的椭圆即为高斯分布的二倍标准差所对应的椭圆。直观来说，图中的数据明显分为两簇，因此只用一个高斯分布来拟和是不太合理的，需要推广到用多个高斯分布的叠加来对数据进行拟合。图5.7是用两个高斯分布的叠加来拟合得到的结果。这就引出了高斯混合模型，即用多个高斯分布函数的线形组合来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。
1700535477
1700535478
1700535479
1700535480
1700535481
图5.6 高斯混合模型样例（用一个混合分量来拟合）
1700535482
1700535483
1700535484
1700535485
1700535486
图5.7 高斯混合模型样例（用两个混合分量来拟合）
1700535487
1700535488
知识点
1700535489
1700535490
高斯分布，高斯混合模型，EM算法
1700535491
1700535492
问题 高斯混合模型的核心思想是什么？它是如何迭代计算的？
1700535493
1700535494
难度：★★☆☆☆
1700535495