---恢复内容开始---
一、与K-mean算法的比较：
二、Gauss Mixture 模型
- 有一组数据，直方图如左上。显然这样的分布不能用某一个单峰简单分布来描述，可以利用高斯混合分布来解决。
分布Y由两个高斯分布混合而成：
- 现在，我们要求未知参数
- 那么似然函数是这样的（基于N个已知数据的对数似然）
- 由于这个似然函数很难求得使似然最大的参数，因此，引入前面提到的潜变量∆ ，但是∆的值实际上未知，我们用其期望来替代，期望是未知参数的函数，这个期望称作responsibility：
三、EM算法
- 通过EM算法来求得参数，这事实上是一种聚类。
- 随机选择参数开始
- 计算∆的期望γ
- 利用γ计算各参数
- 。。。反复迭代直到参数不再更新
关于开始参数的选择：
