Я следил за примером смешанной модели Гаусса для PyMC3 здесь: https://github.com/pymc-devs/pymc3/blob/master/pymc3/examples/gaussian_mixture_model.ipynb и прекрасно работает с искусственным набором данных. 
Я пробовал это с реальным набором данных, и я изо всех сил пытаюсь получить разумные результаты: 
Любые идеи о том, какие параметры я должен искать для сужения/расширения/изменения, чтобы лучше соответствовать? Следы кажутся стабильными. Вот фрагмент моей модели, которую я скорректировал из примера:
model = pm.Model()
with model:
# cluster sizes
a = pm.constant(np.array([1., 1., 1.]))
p = pm.Dirichlet('p', a=a, shape=k)
# ensure all clusters have some points
p_min_potential = pm.Potential('p_min_potential', tt.switch(tt.min(p) < .1, -np.inf, 0))
# cluster centers
means = pm.Normal('means', mu=[0, 1.5, 3], sd=1, shape=k)
# break symmetry
order_means_potential = pm.Potential('order_means_potential',
tt.switch(means[1]-means[0] < 0, -np.inf, 0)
+ tt.switch(means[2]-means[1] < 0, -np.inf, 0))
# measurement error
sd = pm.Uniform('sd', lower=0, upper=2, shape=k)
# latent cluster of each observation
category = pm.Categorical('category', p=p, shape=ndata)
# likelihood for each observed value
points = pm.Normal('obs', mu=means[category], sd=sd[category], observed=data)
