通过前面的学习，我们知道Kmeans是基于质心的聚类方法，高斯混合模型则可以看作是一种基于概率分布的聚类方法。
那它们之间有什么区别呢？
其实，高斯混合模型可以看作是Kmeans更通用的版本，它解决了KMeans一些众所周知的局限性。
KMeans的局限性
首先，KMeans只能产生球形聚类。如下图所示，即使数据的聚类本身是非圆形或不规则的，K-means 仍然会试图将其分成圆形或球形的簇。
此外，KMeans执行的是硬分配。也就是说，不会计算每个数据点属于每个簇的概率估计。
最后，它仅依赖基于距离的度量将数据点分配到簇中。
为了更好地理解这一点，考虑在二维空间中有两个聚类——A和B。聚类A的分布比聚类B更广泛。
现在考虑一条位于A和B的质心中间位置的线。
