在数据挖掘领域，k-means算法是一种常用的聚类方法。该算法的核心原理是依据给定的k值，将n个数据对象分为k个互不重叠的组，目标是使得每个组内的对象之间的相似度较高，而不同组间对象的相似度较小。这种相似度的度量是通过计算每个组的“中心对象”，即引力中心，来衡量的。中心对象是该组内所有对象的均值表示。
算法的执行过程如下：首先，随机选择k个数据对象作为初始的聚类中心；接着，剩下的数据对象根据它们与这些中心点的距离，被分配到最接近的聚类中；然后，对每个新的聚类，算法计算其内部所有对象的均值，作为新的聚类中心；这个过程会不断重复，直到聚类中心不再发生明显变化，或者某个标准的收敛指标，如均方差，达到预设阈值。
k-means算法追求的优化目标是使每个聚类内部尽可能紧密，而聚类间的距离尽可能大。这有助于在不预先知道类别标签的情况下，发现数据的自然结构和分布。然而，该算法对初始聚类中心的选择较为敏感，不同的初始化可能导致不同的聚类结果。
聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。