描述
EM是一种基于模型的聚类算法，假设样本符合高斯混合模型,算法的目的是确定各个高斯部件之间的参数，充分拟合给定数据，并得到一个模糊聚类，即每个样本以不同概率属于每个高斯分布，概率数值将由以上个参数获得。
混合模型的定义是几个模型的线性加和，也就是说给每一个模型加上一个权重，几个模型都乘以一个权重数，权重的和是1。因此上述高斯混合模型就是多个高斯模型的加和，并给每一个模型都赋予一个权重值。
E过程是求期望的过程，为什么要求期望呢，原因就是为了让似然函数中的参数变得只有一个，就是要要估计的参数，然后才可以在M过程中求似然函数的极大值，得到新的参数估计值。这样不断的进行迭代。也就是说E过程加上M过程即使一个不断的修正参数的过程，直到算法收敛。
延伸
很多算法都是EM算法，比如隐马尔科夫模型的训练方法Baum-Welch算法以及最大熵模型的训练方法GIS算法。 最后，还要讨论EM算法是否一定能保证获得全局最优解？ 如果我们的优化目标函数是一个凸函数，那么一定能保证得到全局最优解。熵函数，N维空间以欧式距离做度量，聚类中我们试图优化的两个函数也是凸函数。而对于其他很多情况，包括文本分类中的余弦距离都不保证是凸函数，因此有可能EM算法给出的是局部最优解，而不是全局最优解。