Jest to tzw. twarde przypisanie do skupienia. Sam model dostarcza jednak również przypisań miękkich, czyli wektora prawdopodobieństw .
Miękkie przypisania są użyteczne wtedy, gdy skupienia nakładają się na siebie. Obserwacja położona między dwoma skupieniami może mieć na przykład prawdopodobieństwa przynależności 0,55 i 0,45, zamiast zostać arbitralnie przypisana tylko do jednego z nich.
Związek z metodą k-średnich Metoda k-średnich może być rozumiana jako ograniczony przypadek modelowania mieszaninowego, w którym skupienia mają podobny, sferyczny kształt, a przypisania obserwacji do skupień są twarde. Model GMM jest bardziej elastyczny: uwzględnia wariancje, kowariancje i niepewność przypisania obserwacji do składowych.
W praktyce k-średnich bywa używane do inicjalizacji średnich w algorytmie EM, ponieważ dobra inicjalizacja może istotnie wpływać na wynik estymacji.
Identyfikowalność i zamiana etykiet Modele mieszaninowe są nieidentyfikowalne względem permutacji etykiet składowych. Jeżeli zamieni się numerację składowych, na przykład pierwszą z drugą, gęstość modelu pozostanie taka sama.