下面介绍一下几种典型的机器算法
首先第一种是高斯混合模型算法:
高斯模型有单高斯模型（SGM）和混合高斯模型（GMM）两种。
（1）单高斯模型：
为简单起见，阈值t的选取一般靠经验值来设定。通常意义下，我们一般取t=0.7-0.75之间。
二维情况如下所示：
（2）混合高斯模型：
对于(b)图所示的情况，很明显，单高斯模型是无法解决的。为了解决这个问题，人们提出了高斯混合模型（GMM），顾名思义，就是数据可以看作是从数个高 斯分布中生成出来的。虽然我们可以用不同的分布来随意地构造 XX Mixture Model ，但是 GMM是 最为流行。另外，Mixture Model 本身其实也是可以变得任意复杂的，通过增加 Model 的个数，我们可以任意地逼近任何连续的概率密分布。
每个 GMM 由 K 个 Gaussian 分布组成，每个 Gaussian 称为一个“Component”，这些 Component 线性加成在一起就组成了 GMM 的概率密度函数：
（1）
其中，πk表示选中这个component部分的概率，我们也称其为加权系数。
根据上面的式子，如果我们要从 GMM 的分布中随机地取一个点的话，实际上可以分为两步：
（1）首先随机地在这 K 个 Component 之中选一个，每个 Component 被选中的概率实际上就是它的系数 πk，选中了 Component 之后，再单独地考虑从这个 Component 的分布中选取一个点就可以了──这里已经回到了普通的 Gaussian 分布，转化为了已知的问题。假设现在有 N 个数据点，我们认为这些数据点由某个GMM模型产生，现在我们要需要确定 πk,μk,σk 这些参数。很自然的，我们想到利用最大似然估计来确定这些参数，GMM的似然函数如下：
（2）
在最大似然估计里面，由于我们的目的是把乘积的形式分解为求和的形式，即在等式的左右两边加上一个log函数，但是由上文博客里的（2）式可以看出，转化为log后，还有log(a+b)的形式，因此，要进一步求解。
我们采用EM算法，分布迭代求解最大值：
EM算法的步骤这里不作详细的介绍，可以参见博客：
贴出代码：
1 function varargout = gmm(X, K_or_centroids)
2 % ============================================================
3 % Expectation-Maximization iteration implementation of
4 % Gaussian Mixture Model.
5 %
6 % PX = GMM(X, K_OR_CENTROIDS)
7 % [PX MODEL] = GMM(X, K_OR_CENTROIDS)
8 %
9 % - X: N-by-D data matrix.
10 % - K_OR_CENTROIDS: either K indicating the number of
11 % components or a K-by-D matrix indicating the
12 % choosing of the initial K centroids.
13 %
14 % - PX: N-by-K matrix indicating the probability of each
15 % component generating each point.
16 % - MODEL: a structure containing the parameters for a GMM:
17 % MODEL.Miu: a K-by-D matrix.
18 % MODEL.Sigma: a D-by-D-by-K matrix.
19 % MODEL.Pi: a 1-by-K vector.
20 % ============================================================
21
22 threshold = 1e-15;
23 [N, D] = size(X);
24
25 if isscalar(K_or_centroids)
26 K = K_or_centroids;
27 % randomly pick centroids
28 rndp = randperm(N);
29 centroids = X(rndp(1:K), :);
30 else
31 K = size(K_or_centroids, 1);
32 centroids = K_or_centroids;
33 end
34
35 % initial values
36 [pMiu pPi pSigma] = init_params();
37
38 Lprev = -inf;
39 while true
40 Px = calc_prob();
41
42 % new value for pGamma
43 pGamma = Px .* repmat(pPi, N, 1);
44 pGamma = pGamma ./ repmat(sum(pGamma, 2), 1, K);
45
46 % new value for parameters of each Component
47 Nk = sum(pGamma, 1);
48 pMiu = diag(1./Nk) * pGamma' * X;
49 pPi = Nk/N;
50 for kk = 1:K
51 Xshift = X-repmat(pMiu(kk, :), N, 1);
52 pSigma(:, :, kk) = (Xshift' * ...
53 (diag(pGamma(:, kk)) * Xshift)) / Nk(kk);
54 end
55
56 % check for convergence
57 L = sum(log(Px*pPi'));
58 if L-Lprev < threshold
59 break;
60 end
61 Lprev = L;
62 end
63
64 if nargout == 1
65 varargout = {Px};
66 else
67 model = [];
68 model.Miu = pMiu;
69 model.Sigma = pSigma;
70 model.Pi = pPi;
71 varargout = {Px, model};
72 end
73
74 function [pMiu pPi pSigma] = init_params()
75 pMiu = centroids;
76 pPi = zeros(1, K);
77 pSigma = zeros(D, D, K);
78
79 % hard assign x to each centroids
80 distmat = repmat(sum(X.*X, 2), 1, K) + ...
81 repmat(sum(pMiu.*pMiu, 2)', N, 1) - ...
82 2*X*pMiu';
83 [dummy labels] = min(distmat, [], 2);
84
85 for k=1:K
86 Xk = X(labels == k, :);
87 pPi(k) = size(Xk, 1)/N;
88 pSigma(:, :, k) = cov(Xk);
89 end
90 end
91
92 function Px = calc_prob()
93 Px = zeros(N, K);
94 for k = 1:K
95 Xshift = X-repmat(pMiu(k, :), N, 1);
96 inv_pSigma = inv(pSigma(:, :, k));
97 tmp = sum((Xshift*inv_pSigma) .* Xshift, 2);
98 coef = (2*pi)^(-D/2) * sqrt(det(inv_pSigma));
99 Px(:, k) = coef * exp(-0.5*tmp);
100 end
101 end
102 end
函数返回的 Px 是一个 
的矩阵，对于每一个 
，我们只要取该矩阵第 
行中最大的那个概率值所对应的那个 Component 为 所属的 cluster 就可以实现一个完整的聚类方法了。
转载于：http://www.cnblogs.com/CBDoctor/archive/2011/11/06/2236286.html