6.2 高斯混合聚类算法的优缺点

高斯混合聚类是一种十分经典的聚类算法，也可以说是对K-Means算法的一种改进，在实践中有着广泛的运用，本节将对这一算法的优缺点进行简要介绍。

1.高斯混合聚类算法的优点

GMM是聚类算法中较为典型的一种，其优点如下。

1）相比K-Means的“硬聚类”，GMM以概率密度作为划分依据，实现了一种“软聚类”。

2）基于EM算法，参数迭代是自组织的，计算效率也相对较高。

3）不仅可以得到聚类结果，也可以得到分布参数等有助于分析的参数。

2.高斯混合聚类算法的缺点

GMM假设前提过于理想化，聚类效果好坏很大程度上取决于原始数据，其缺点如下。

1）对于分布的假设基于正态分布，这在实践中常常不成立，或只是近似成立。

2）迭代可能陷入局部最优。

3）实践中对于计算特征共线性等问题，会导致计算过程出现偏倚。