下面是任务说明：This is a binary classification task. Features used are 2-dimensional feature. You will use Gaussian Mixture Model to accomplish the task.
训练数据的格式为 Feature-Dim1 Feature-Dim2 Class-Label ，将数据根据label分为两类，对于每一类的数据训练高斯混合模型，由于之前观察过每一类的高斯混合模型可以看成四个单高斯的结合，因此将K设置为4，对于每一类的高斯混合模型进行训练。
由于GMM 对初始值敏感。故先用kmean方法聚类，利用聚类数据点的均值和斜方差作为各个高斯分量的初始值。
GMM主要是mu--均值多维数组，每行表示一个样本各个特征的均值
alpha--为模型响应度数组
cov为协方差矩阵的数组 的调整
kmeans会传给GMM mu ，alpha，cov的初值，随后使用EM算法训练GMM，改变mu，alpha，cov的值，如果mu的波动极小，则认为GMM以训练完毕。
对于dev的valid集的测试结果为0.97875，提交测试集的结果为0.98000
可以看到的是，kmeans对于GMM的提升是巨大的，如果用的是随机值，测试结果只能到0.6~0.7左右，不太理想。
GMM的求解办法基于EM算法，因此有可能陷于局部极值，这初始值的选取十分相关了。