GMM（高斯混合模型）和K均值聚类（基于Python）

最大期望算法EM

EM（Expectation Maximization）算法作为一种用于求解参数极大似然估计的统计方法，被广泛应用于处理存在缺失值、截断数据以及其他形式的不完整数据集。

• 最大期望算法通过两个阶段的迭代运算完成计算过程：
  – 首先进行期望（E）步骤，该阶段基于当前对隐藏变量的估计结果，计算出对应的似然函数期望值；
  – 然后进入最大化（M）步骤，利用E步骤所获得的期望值对参数进行优化，从而得到更精确的参数估计。在完成M步骤后所获取的参数估计结果将作为下一轮E步骤的基础，如此循环往复，直至收敛。

高斯混合模型GMM

GMM（高斯混合模型）是一种由多个高斯分布模型通过线性组合方式融合而成的算法，其中每一个高斯分布单元被称为组件。与k-means方法相似，该算法的求解过程同样采用EM算法进行实现。

    import pandas as pd
    data = pd.read_csv('Fremont.csv', index_col='Date', parse_dates=True)
    data.head()
    
    import matplotlib.pyplot as plt
    %matplotlib inline
    
    data.plot()
    data.resam