For å forstå hvordan Gaussiske blandingsmodeller (GMM) presterer på virkelige data, anvender vi dem på det velkjente Iris-datasettet, som inneholder målinger av blomsterarter. Algoritmen er som følger:

1. Utforskende dataanalyse (EDA): før vi anvendte GMM, utførte vi grunnleggende EDA på Iris-datasettet for å forstå dets struktur;
2. Trening av GMM: etter EDA ble GMM implementert for å gruppere datasettet i klynger. Siden Iris-datasettet har tre arter, forhåndsdefinerte vi antall klynger til 3. Under treningen identifiserte modellen klynger basert på sannsynligheten for at hvert datapunkt tilhører en Gaussisk fordeling;
3. Resultater: modellen grupperte effektivt dataene i klynger. Noen punkter ble tildelt overlappende områder med sannsynlighetsvekter, noe som viser GMMs styrke i å håndtere virkelige data med subtile grenser;
4. Sammenligning av klynger med sanne etiketter: for å evaluere modellens ytelse ble GMM-klyngene sammenlignet med de faktiske arts-etikettene i datasettet. Selv om GMM ikke bruker etiketter under trening, samsvarte klyngene tett med de virkelige artsgruppene, noe som viser dens effektivitet for ikke-overvåket læring.

Denne implementeringen fremhever hvordan GMM-er kan modellere komplekse datasett fra virkeligheten, noe som gjør dem til allsidige verktøy for klyngeoppgaver.