K-means partitionne les données en k clusters en alternant deux étapes : affecter chaque point au centroïde le plus proche, puis recalculer les centroïdes. Il minimise l'inertie. Il suppose des groupes plutôt sphériques, exige de fixer k, dépend de l'initialisation et réclame des variables standardisées.
Exemple
KMeans(n_clusters=4, n_init=10, random_state=42).fit(X_s)