我会说使用保留数据集的可能性是一个好方法。对于高斯混合，我们拥有的高斯越多，我们得到的可能性就越大。就像多项式回归问题中的顺序一样。

AIC 和 BIC 将对自动使用的参数数量（高斯）进行惩罚，但使用单独的测试集也是一个不错的选择。我将使用一个极端的例子来解释，假设我们选择的高斯数与训练集中的数据点数相同。你的训练分数会非常好（无限可能性），但测试分数不会如此。这与其他机器学习模型选择过程相同。

在这里，您可以找到一篇相关的论文，可以让您深入了解。在其中，作者发现 BIC 和保留对数概率的表现与保留概率相似。

然而，这篇论文与潜在模式模型有关，又名。混合成员模型，他们想要确定潜在类别的最佳数量，K。