# K-Means

> Algorithme de partitionnement (clustering) non supervisé qui regroupe les données en 'K' groupes distincts.

- Page ZoneIA : https://zoneia.fr/glossaire/k-means
- Type : Définition du glossaire IA
- Catégories : [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data), [Code & Développement](https://zoneia.fr/outils/categorie/code-developpement-ia)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

K-Means est une méthode de **clustering** qui cherche à regrouper des observations similaires en un nombre fixé de groupes. Chaque groupe est représenté par un **centroïde** (un point “moyen” du cluster). L’objectif est de minimiser la distance entre les points et le centroïde de leur groupe, le plus souvent via la **distance euclidienne**.

## Comment ça fonctionne
1. **Initialisation** : choix de *K* centroïdes (aléatoire ou via *k-means++* pour de meilleurs démarrages).  
2. **Affectation** : chaque point est assigné au centroïde le plus proche.  
3. **Mise à jour** : chaque centroïde devient la moyenne des points qui lui sont assignés.  
4. **Itération** : répétition jusqu’à stabilisation (ou nombre maximal d’itérations).

## À quoi ça sert
- Segmenter une population (clients, utilisateurs, documents) en profils.  
- Résumer des données en catégories exploitables pour des analyses.  
- Accélérer certains traitements en **vector quantization** (compression, indexation).

## Points d’attention
*K* doit être choisi (méthodes du “coude”, silhouette). L’algorithme est sensible à l’échelle des variables (souvent besoin de **normalisation**) et fonctionne moins bien sur des clusters non sphériques ou de densités très différentes.

Exemple : regrouper des clients selon fréquence d’achat et panier moyen pour personnaliser des offres.

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/k-means)