K-均值聚类（K-means clustering）是一种常用的无监督学习算法，用于将样本数据划分成K个不同的类别。K-均值聚类试图找到K个簇，使得簇内的样本点相似度最高，而簇间的样本点相似度最低。

算法步骤如下：

1. 随机选择K个初始中心点作为簇的质心。
2. 将每个样本点分配给离其最近的质心，形成K个簇。
3. 计算每个簇的质心，作为新的质心。
4. 重复步骤2和步骤3，直到质心不再发生变化或达到最大迭代次数。

K-均值聚类算法的优点如下：

1. 简单易实现，计算复杂度较低。
2. 适用于大规模数据集，可以处理大量数据。
3. 可以灵活地选择簇的数量K。

K-均值聚类算法的缺点如下：

1. 对初始质心的选择敏感，可能会陷入局部最优解。
2. 需要提前确定簇的数量K，但在实际应用中往往无法准确确定。
3. 对离群点（异常值）敏感，可能会影响簇的划分结果。

总结起来，K-均值聚类算法是一种简单而有效的聚类算法，适用于大规模数据集，但对初始质心的选择和簇的数量的确定十分重要，且对异常点敏感。在应用时需要根据具体问题进行调参和处理。