算法|基于Python实现k-means算法和混合高斯模型 kmeans|Python|混合高斯模型|pyth

1. 实验目的实现一个 k-means 算法和混合高斯模型，并且用 EM 算法估计模型中的参数。
2. 实验要求

用高斯分布产生 k 个高斯分布的数据（不同均值和方差）（其中参数自己设定）。
- 用 k-means 聚类，测试效果；
- 用混合高斯模型和你实现的 EM 算法估计参数，看看每次迭代后似然值变化情况，考察 EM 算法是否可以获得正确的结果（与你设定的结果比较）。
应用：可以 UCI 上找一个简单问题数据，用你实现的 GMM 进行聚类。

3. 设计思想 3.1 K-means 算法 k 均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为 K 组，则随机选取 K 个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。
算法为：先随机选取 K 个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是以下任何一个：

没有（或最小数目）对象被重新分配给不同的聚类。
没有（或最小数目）聚类中心再发生变化。
误差平方和局部最小。

3.2 GMM 算法 GMM，高斯混合模型，也可以简写为 MOG。高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。
GMM 相对 K-means 是比较复杂的 EM 算法的应用实现。与 K-means 不同的是，GMM 算法在 E 步时没有使用“最近距离法”来给每个样本赋类别（hard assignment），而是增加了隐变量 γ。γ 是(N,K)的矩阵， γ[N,K]表示第 n 个样本是第 k 类的概率，因此，具有归一性。即的每一行的元素的和值为 1。
GMM 算法是用混合高斯模型来描述样本的分布，因为在多类情境中，单一高斯分布肯定是无法描绘数据分布。多个高斯分布的简单叠加也无法描绘数据分布的。只有混合高斯分布才能较好的描绘一组由多个高斯模型产生的样本。对于样本中的任一个数据点，任一高斯模型能够产生该点的概率，也就是任一高斯模型对该点的生成的贡献（contribution）是不同的，但可以肯定的是，这些贡献的和值是 1。
4. 实验过程 4.1 算法设计高斯分布参数：