Un modelo de mezcla gaussiana asume que los datos observados fueron generados por una combinación de varias distribuciones normales distintas, cada una representando un grupo subyacente, y estima cuáles son esas distribuciones y a cuál de ellas pertenece probablemente cada observación.
Su diferencia con K-Means
A diferencia de K-Means, que asigna cada punto a un único grupo de forma definitiva, un GMM asigna a cada punto una probabilidad de pertenecer a cada grupo, permitiendo representar de forma más natural situaciones donde los grupos se superponen entre sí.