GMM（高斯混合模型）是相对于单高斯模型来说的，是多个单高斯分布进行混合，理论上可以拟合出所有的分布曲线，主要应用于聚类算法。
废话就不多说了，估计大家都知道高斯混合模型是个什么东西，下面直接列出单高斯模型和高斯混合模型的攻势以及示意图：
单高斯模型分布
高斯分布概率密度函数
混合高斯模型图（两个component）
混合高斯分布概率密度函数
混合高斯分布主要有K个component组成，每个component为一个高斯分布。我们知道概率密度函数的前提下，要想得到结果，重要是得到模型的参数，至于模型参数的推导是运用EM算法，EM算法详细推导在前一篇已经学习过，在此就EM算法求解GMM进行大概说明：
混合高斯模型和K-Means算法的主要区别在于：
K-Means计算出的结果是确定输入为哪一类，混合高斯模型的计算结果为输入为哪一类的概率。