各位同学，今天咱们来聊一个机器学习里既基础又核心的话题——混合模型的数学表达，重点聚焦高斯混合模型（GMM）和期望最大化（EM）算法。可能有人会说，“混合模型不就是几个模型凑一起吗？” 这话听着有点道理，但里面的数学逻辑和算法巧思，可比“凑一起”深多了。咱们今天不搞那些故弄玄虚的学术套话，就像聊天一样，从实际问题出发，把GMM的数学表达拆明白，再看看EM算法是怎么“聪明地”解决参数估计问题的。相信听完之后，你不仅能看懂公式，还能明白公式背后的道理，甚至能举一反三，用到自己的研究或工程实践里。
一、为啥需要混合模型？—— 单一模型解决不了的“复杂分布”问题
先从一个简单的例子说起。假设咱们现在要分析一群人的身高数据，要是让你用一个概率模型去拟合这些数据，你第一反应可能是高斯分布（正态分布）吧？毕竟身高这种数据，大部分人集中在中间，两边少，看着就像“钟形曲线”。但如果这群人里既有成年人又有未成年人呢？你会发现数据呈现出两个“峰值”—— 一个在未成年人的身高区间，一个在成年人的身高区间。这时候再用单一的高斯分布去拟合，效果肯定很差，拟合出来的曲线会很“扁平”，根本抓不住数据的真实分布特征。
此文由 怡心湖 编辑，若您觉得有益，欢迎分享转发！：首页 > 会·生活 » 高斯混合模型与EM算法：混合模型的数学本质与直观解读