För att förstå hur Gaussian mixture models (GMMs) presterar på verkliga data tillämpar vi dem på den välkända Iris-datamängden, som innehåller mätningar av blomarter. Algoritmen är följande:

1. Explorativ dataanalys (EDA): innan GMM tillämpades utfördes grundläggande EDA på Iris-datamängden för att förstå dess struktur;
2. Träning av GMM: efter EDA implementerades GMM för att klustra datamängden i grupper. Eftersom Iris-datamängden har tre arter fördefinierades antalet kluster till 3. Under träningen identifierade modellen kluster baserat på sannolikheten för att varje datapunkt tillhör en Gaussisk fördelning;
3. Resultat: modellen grupperade effektivt data i kluster. Vissa punkter tilldelades överlappande områden med sannolikhetsvikter, vilket visar GMM:s styrka i att hantera verkliga data med subtila gränser;
4. Jämförelse av kluster med sanna etiketter: för att utvärdera modellens prestanda jämfördes GMM-klustren med de faktiska artetiketterna i datamängden. Även om GMM inte använder etiketter under träningen, matchade klustren nära de verkliga artgrupperna, vilket visar dess effektivitet för oövervakad inlärning.

Denna implementering belyser hur GMM kan modellera komplexa verkliga datamängder och gör dem till mångsidiga verktyg för klustringsuppgifter.