用途：当需要概率化聚类归属、并希望聚类参数（均值、方差、权重）带有不确定性时，可用 PyMC 构建贝叶斯高斯混合模型。相比 k-means（硬分配、无不确定性）与 sklearn GMM（软分配、无参数不确定性），贝叶斯方法给出全部后验。
主要能力：软聚类分配；聚类位置、形状、权重的后验不确定性；用 LOO-CV 对成分数 K 做原则性模型选择；支持零膨胀模型、离群检测与状态切换等混合应用。
使用方式：用 pm.Model 定义 Dirichlet 权重、Normal 均值、HalfNormal 标准差，并以 pm.Mixture 作为似然（它边缘化离散潜变量 z，使 NUTS 可采样）；用 pm.sample(draws=2000, tune=2000, chains=4, target_accept=0.9) 采样。为打破标签切换，对均值某一维排序：sort_idx = pm.math.argsort(mu_raw[:, 0]); mu = pm.Deterministic("mu", mu_raw[sort_idx])。拟合后按后验样本对每个点计算归属概率（逐样本算 log 权重加多元正态 logpdf，再做 log-sum-exp 归一化），并用分配熵识别边界不确定点。选 K 时用 az.compare(results, ic="loo")，各 K 保持相同 draws 与 tune。协方差可选 spherical、diagonal、full；数据多时再升级到 full。
适用场景：潜在异质性数据、零膨胀计数、离群混合、状态切换时间序列；项目结构含 data/、src/train.py、predict.py、plots.py、notebooks/demo.py 与 mlruns/；示例笔记本用 marimo edit --sandbox demo.py 运行。
限制：数据超过约 10000 点且只需快速硬分配时用 k-means 或 HDBSCAN；非凸簇（弯月、环）不适用；特征超过约 20 维应先降维或使用对角协方差；不忽略标签切换否则后验多峰、汇总统计无意义；避免数据不足时用 full 协方差；不要用肘部图选 K；target_accept 偏低可能不收敛；计算分配概率复杂度为 O(n_samplesNK)，应抽稀到约 200 个样本。收费、价格、平台与效果等资料暂未提供。