Pour comprendre comment les modèles de mélange gaussien (GMM) fonctionnent sur des données réelles, nous les appliquons au célèbre jeu de données Iris, qui contient des mesures de différentes espèces de fleurs. L'algorithme est le suivant :

1. Analyse exploratoire des données (EDA) : avant d'appliquer le GMM, une EDA de base a été réalisée sur le jeu de données Iris afin de comprendre sa structure ;

2. Entraînement du GMM : après l'EDA, le GMM a été mis en œuvre pour regrouper le jeu de données en groupes. Comme le jeu de données Iris comporte trois espèces, le nombre de clusters a été prédéfini à 3. Pendant l'entraînement, le modèle a identifié les clusters en fonction de la probabilité que chaque point de données appartienne à une distribution gaussienne ;

3. Résultats : le modèle a efficacement regroupé les données en clusters. Certains points ont été assignés à des régions de chevauchement avec des poids probabilistes, démontrant la capacité du GMM à gérer des données réelles avec des frontières subtiles ;

4. Comparaison des clusters avec les vraies étiquettes : pour évaluer la performance du modèle, les clusters du GMM ont été comparés aux étiquettes réelles des espèces dans le jeu de données. Bien que le GMM n'utilise pas les étiquettes lors de l'entraînement, les clusters correspondaient étroitement aux groupes d'espèces réels, montrant ainsi son efficacité pour l'apprentissage non supervisé.

Cette implémentation met en évidence la capacité des GMM à modéliser des jeux de données réels complexes, ce qui en fait des outils polyvalents pour les tâches de clustering.