Ymmärtääksemme, miten Gaussin seosmallit (GMM) toimivat todellisilla aineistoilla, sovellamme niitä tunnettuun Iris-aineistoon, joka sisältää mittauksia kukkalajeista. Algoritmi etenee seuraavasti:

1. Tutkiva data-analyysi (EDA): ennen GMM:n soveltamista suoritettiin perus EDA Iris-aineistolle sen rakenteen ymmärtämiseksi;
2. GMM:n koulutus: EDA:n jälkeen GMM toteutettiin ryhmittelemään aineisto klustereihin. Koska Iris-aineistossa on kolme lajia, klustereiden määrä asetettiin valmiiksi arvoon 3. Koulutuksen aikana malli tunnisti klusterit arvioimalla kunkin havaintopisteen todennäköisyyttä kuulua Gaussin jakaumaan;
3. Tulokset: malli ryhmitteli aineiston tehokkaasti klustereihin. Osa pisteistä sijoittui päällekkäisille alueille todennäköisyyspainoin, mikä osoittaa GMM:n vahvuuden käsitellä todellista dataa, jossa rajat ovat häilyviä;
4. Klustereiden vertailu todellisiin luokkiin: mallin suorituskykyä arvioitiin vertaamalla GMM:n muodostamia klustereita aineiston todellisiin lajitietoihin. Vaikka GMM ei käytä luokkia koulutuksessa, klusterit vastasivat hyvin todellisia lajeja, mikä osoittaa menetelmän tehokkuuden valvomattomassa oppimisessa.

Tämä toteutus havainnollistaa, kuinka GMM:t pystyvät mallintamaan monimutkaisia todellisen maailman aineistoja, mikä tekee niistä monipuolisia työkaluja klusterointitehtäviin.