Para compreender como os modelos de mistura Gaussiana (GMMs) se comportam em dados do mundo real, aplicamos o método ao conhecido conjunto de dados Iris, que contém medições de espécies de flores. O algoritmo segue os seguintes passos:

1. Análise exploratória de dados (EDA): antes de aplicar o GMM, foi realizada uma EDA básica no conjunto de dados Iris para entender sua estrutura;

2. Treinamento do GMM: após a EDA, o GMM foi implementado para agrupar o conjunto de dados em grupos. Como o conjunto de dados Iris possui três espécies, o número de clusters foi pré-definido como 3. Durante o treinamento, o modelo identificou clusters com base na probabilidade de cada ponto de dado pertencer a uma distribuição Gaussiana;

3. Resultados: o modelo agrupou efetivamente os dados em clusters. Alguns pontos foram atribuídos a regiões sobrepostas com pesos probabilísticos, demonstrando a capacidade do GMM em lidar com dados reais com limites sutis;

4. Comparação dos clusters com os rótulos verdadeiros: para avaliar o desempenho do modelo, os clusters do GMM foram comparados com os rótulos reais das espécies no conjunto de dados. Embora o GMM não utilize rótulos durante o treinamento, os clusters corresponderam de forma próxima aos grupos reais de espécies, evidenciando sua eficácia para aprendizado não supervisionado.

Esta implementação destaca como os GMMs podem modelar conjuntos de dados complexos do mundo real, tornando-os ferramentas versáteis para tarefas de agrupamento.