K-means的中文有人稱作集群分析，但是主要都還是講英文，比較容易懂。
　　這分析方法跟KNN很像，但是不同在於KNN是監督式學習，K-means是非監督式學習。監督與非監督的差別，前者是已經給了一些基本架構，從這基本架構中去學習，後者則沒有，要自己找出資料中的規則，再來判斷未知的數據。舉例來說，如果今天操場上聚集很多人，監督式學習則會先把男女區分開來，教你什麼是男性、女性，這時候如果有人突然加入群組，則可以透過基本規則去定義他是男是女。然而非監督式學習則都不會說，要你自己去判斷，將男女分開來，但是能透過其他人一次次的加入，使得群組有更好的歸類，但有缺點就是可能會在一開始的分類的就出錯，比如長得很像男生的女生，可能會不小心歸類為男性，而導致會有些規則上的問題。
　　K-meas採非監督式學習，給予機器資料之後，另外在定義有幾個族群，這樣就可以了。採取方式是，會先定義每個資料，根據有幾個族群暫定幾個中心點，計算每個點到中心點的距離再進行歸類，接著調整中心點，再計算各點距離如何，直到中心點位置不變，則訓練完畢。
　　舉例來說，若以得知以下的資料：

　　假設有兩個族群，令這兩個族群的中心點個別在c1(1,1)以及c2(1,2)，經過計算中心點和各別點的距離後，結果如下：

　　根據計算結果，歸類在距離較小的那一類，若相同則隨便，因此先將A歸類為c1，BCD歸類為c2。另外c1座標維持不變，c2座標更正為(4,3)，接著再計算這點的距離：

　　根據計算結果，B要歸類在c1，其餘不變。因此c1座標改為(1.5,1.5)，c2座標改為(5,3.5)，再次計算：

　　會發現結果不變，因此AB為一群，CD為一群。