W modelach mieszanin gaussowskich liczba parametrów zależy nie tylko od liczby składowych , lecz także od wymiaru danych i przyjętej struktury macierzy kowariancji. Dla danych -wymiarowych pełne macierze kowariancji mają znacznie więcej parametrów niż macierze diagonalne lub sferyczne. Dlatego AIC i BIC mogą służyć nie tylko do wyboru , lecz także do porównywania typów kowariancji.
W niektórych pakietach statystycznych stosuje się przeciwną konwencję znaku dla BIC, na przykład maksymalizuje się wielkość postaci . Przy korzystaniu z oprogramowania należy więc sprawdzić, czy dany program wybiera model przez minimalizację, czy przez maksymalizację raportowanego kryterium.
Kryteria AIC i BIC nie zastępują oceny merytorycznej. Model o najlepszej wartości kryterium może dzielić dane na składowe trudne do interpretacji albo odwrotnie – model prostszy może być preferowany, jeśli odpowiada naturalnemu podziałowi badanego zjawiska. W praktyce porównuje się zwykle wartości kryteriów z wykresami gęstości, stabilnością wyników przy różnych inicjalizacjach, interpretowalnością składowych i jakością predykcyjną.
Klasyfikacja i analiza skupień Po dopasowaniu modelu obserwację można przypisać do składowej o największej odpowiedzialności: