用 AI 算高斯混合责任度：两个中心相同，为何归属仍不各占一半
如果AI把高斯混合模型解释成“看点离哪个中心近”，它便漏掉了分布的宽度。可以把两个中心设成完全相同，让距离失去区分能力，再检查模型如何用概率密度给出不同责任度。
AI模型生成的概念插图：一个观测与两种宽度的分布相联系；曲线中心、面积和高度不对应正文参数，不是精确概率图或模型截图。
两个分量只在宽度上不同
固定一维混合模型：分量A的均值是0、标准差是1；分量B的均值也是0、标准差是2；混合权重各0.5。这里B的方差是4，不是2。本例直接给定参数，只计算观测的归属，不执行EM拟合。
均值为0、标准差为σ的正态密度可写成：exp(-x²/(2σ²))除以σ√(2π)。指数描述离中心多远，分母中的σ则保证整条曲线下的面积为1。曲线加宽时，峰值必须降低；不能只把σ放进指数而漏掉前面的缩放。
对某个观测x，先分别计算0.5×A密度与0.5×B密度，再除以这两项之和，就得到A、B的责任度。它们是在当前模型下，给定这个观测后对分量身份的条件概率，二者应相加为1。
在中心和尾部各放一张卡
第一张取x=0。A密度约0.398942，B密度约0.199471，前者恰为后者两倍。等混合权重下，A责任度为2/3，B为1/3。两者到观测的中心距离都是0，但窄分布在中心更集中，因而获得更大份额。
第二张取x=2。A密度约0.053991，B密度约0.120985；归一化后，A责任度约0.308562，B约0.691438。现在观测距A中心恰为两个标准差，距B中心恰为一个标准差，较宽的B在这里提供了更高密度。两个分量仍然有同一个均值。
若漏掉密度公式前面的1/σ，在x=0处就会把两个指数都算成1，错误得到各一半；在x=2处也会夸大宽分量。要求AI把“标准化距离、指数项、密度、乘混合权重后的量、归一后的责任度”分列，就能定位这一遗漏。
软归属不是复制两份观测
一张观测可以对两个分量都有非零责任度。EM后续更新均值时，使用的是这些软权重形成的加权平均，而不是把这张观测完整计入两组。如果最终必须输出单一簇标签，可以选责任度最大的分量，但那会丢掉0.308562对0.691438这样的不确定程度。
还要分清密度与概率。上面的0.398942不是“恰好抽到数字0的概率”；连续分布在单个精确点的概率为0，区间概率需要积分。责任度之所以可以作为分量概率，是因为它把同一点上各分量的加权密度作了归一化。
人工核对时可把两分量的参数全部设为相同，此时责任度应回到混合权重各0.5。真实多维数据还需考虑协方差、分量数量和正则化；某个分量的高密度并不证明它代表一个有业务意义的人群。这份练习只验证概率机制，不替聚类结果命名或宣称发现真实类别。
资料核对日期：2026年10月2日。算例为原创教学设定，已用独立Python计算复核，不代表真实模型训练或性能测试。
