我一直在研究论文中回顾期望最大化（EM），例如：
http://pdf.aminer.org/000/221/588/fuzzy_k_means_clustering_with_crisp_regions.pdf
我有一些疑问，我还没有弄清楚。例如，如果每个数据点有很多维度，会发生什么？
例如，我有以下具有 6 个数据点和 4 个维度的数据集：
>D1 D2 D3 D4
5, 19, 72, 5
6, 18, 14, 1
7, 22, 29, 4
3, 22, 51, 1
2, 21, 89, 2
1, 12, 28, 1
这意味着为了计算期望步骤，我是否需要计算 4 个标准差（每个维度一个）？
假设k = 3，我是否还必须计算每个集群的方差（不知道是否有必要根据论文中的公式......）或者只是每个维度的方差（4个属性）？
通常，您使用协方差矩阵，其中还包括方差。
但这实际上取决于您选择的模型。最简单的模型根本不使用方差。更复杂的模型只有一个方差值，即所有维度的平均方差。接下来，您可以独立地为每个维度设置单独的方差；最后但并非最不重要的一个完整的协方差矩阵。这可能是流行使用的最灵活的 GMM。
根据您的实施，可能还有更多。
来自 R 的 mclust 文档：
“E” = 等方差（一维）
“V” = 可变方差（一维）
"EII" = 球形，等体积
"VII" = 球形，不等体积
"EEI" = 对角线，等体积和形状
"VEI" = 对角线，可变体积，相等形状
"EVI" = 对角线，等体积，不同形状
"VVI " = 对角线，不同的体积和形状
"EEE" = 椭圆体，等体积，形状和方向
"EEV" = 椭圆体，等体积和相同的形状
"VEV" = 椭圆体，相同的形状
"VVV" = 椭圆体，不同的体积，形状, 和方向
"X" = 单变量正态
"XII" = 球形多元正态
"XXI" = 对角多元正态
"XXX" = 椭圆形多元正态