混合ユニグラムモデルの生成過程に基づいて人工データを生成してみました．
これで，混合ユニグラムモデルの推定精度の評価ができます．
他にも，文書数が少なくて特徴量の数（単語の異なり語数）が多い状況などが人口的に作り出せます．
こういうところからインスパイアされることも多いと思うので，やってみました．
コードは以下です．
実際にGMMでクラスタリングしてみると，文書数200に対して，特徴量が少ない時 (1000)，V1-Measureは1.0と完璧にクラスタリングできていますが，
特徴量の数を5000に増やすと，データ行列がかなりスパースになり，V1-Measureが0.5程度にまで下がります．