K-Means是一種廣泛使用的無監督聚類算法，主要用於將數據集分為K個簇。該算法的核心目標是使簇內的點儘可能緊密地連線在一起，同時確保簇間的距離儘可能大。
在K-Means算法中，簇的中心點（質心）是通過對簇內所有點的坐標取平均值來確定的。算法的步驟如下：
從數據集中隨機選擇K個點作為初始質心。
計算數據集中每個點與這K個質心的距離（常用歐氏距離），並將每個點分配到距離最近的質心所在的簇。
根據簇內所有點的坐標，重新計算每個簇的質心（通常是取平均值）。
重複第2步和第3步，直到滿足以下條件之一：達到了預設的最大疊代次數；質心的位置不再發生顯著變化，即聚類結果穩定。
K-Means算法的優點包括簡單、快速，適用於大數據集，且具有較高的效率。其缺點是可能受到初始質心選擇的影響，陷入局部最優解，且需要預先設定簇的數量K。此外，對於非凸數據集，K-Means算法可能難以收斂。
K-Means算法在實際套用中非常靈活，可以通過調整參數和改進算法來適應不同的數據和需求。例如，可以通過多次運行算法（每次從不同的初始質心開始）來選擇最佳的聚類結果。