Des clusters potentiellement plus homogènes mais moins interprétables.

Une convergence très rapide du modèle

Une réduction automatique du nombre de clusters par l'algorithme.

Une augmentation signicative de la variance expliquée.

Pour éviter le sur-ajustement et le sous-ajustement des données

Pour réduire le temps de calcul de l'algorithme

Pour maximiser la variance entre les classes

Pour s’assurer que tous les clusters sont de taille égale

Calculer la distance entre tous les points

Choisir aléatoirement K points comme centres de clusters initiaux

Assigner chaque point au centre le plus proche

Mettre à jour les positions des centres de clusters