我正在学习 GMM 聚类算法。我不明白它如何用作分类器。这是我的想法：
1) GMM 是一种无监督的 ML 算法。至少它是这样sklearn分类的。
2）无监督方法可以对数据进行聚类，但不能进行预测。
然而，sklearn 的用户指南明确将 GMM 作为分类器应用于 iris 数据集。
如果我不得不猜测，也许在聚类之后，每个聚类都会根据某种多数投票分配给一个类标签。但是，我找不到任何文档。有人可以更深入地了解从无监督学习到有监督学习的过程吗？
一个相关的问题：当使用 GMM 作为分类器时，通常的做法是简单地 make n_components=n_classes，而不是检查 AIC、BIC 等？
一些无监督模型可以做出预测，但不一定与原始类别标签匹配。拟合模型后，它可以预测新示例属于GaussianMixture哪个集群。这正是predict和predict_proba函数在这种情况下所做的，并且假设集群的数量设置为 3，即类的数量，该predict函数将从.
然而，这仍然提出了如何GaussianMixture将特定标签分配给集群的问题？通常，它是任意选择的，但在您链接的 sklearn 示例中，它们在初始化集群中心时作弊：
# Since we have class labels for the training data, we can
# initialize the GMM parameters in a supervised manner.
estimator.means_init = np.array([X_train[y_train == i].mean(axis=0)
for i in range(n_classes)])
每个聚类中心的初始位置位于每个类的中心，这还具有正确排序聚类标签以匹配原始类标签的额外结果。这意味着在这种情况下，GMM 预测一个新实例属于哪个集群等价于预测它可能属于哪个类。我相信这样做是为了轻松可视化不同的协方差矩阵选项。