K-Means

Es un algoritmo de agrupamiento no supervisado ampliamente utilizado en machine learning para dividir un conjunto de datos en un número predefinido de grupos o clústeres.

Funciona asignando puntos de datos a clústeres en función de la cercanía a un centroide, el cual se recalcula iterativamente para minimizar la variación dentro de cada clúster.

Su principal objetivo es reducir la suma de las distancias cuadradas entre los puntos de datos y los centroides asociados.

Es particularmente útil en tareas como segmentación de clientes, análisis de patrones y procesamiento de imágenes, donde los datos tienen características comunes que pueden agruparse.

Es eficiente en términos de tiempo de cálculo, aunque su desempeño depende en gran medida de la elección inicial de los centroides y del número de clústeres definidos.