k-Means-Clustering ist ein unüberwachtes Lernverfahren zur Partitionierung von Datensätzen in k Gruppen, sodass die Summe der quadrierten Abstände der Datenpunkte zu ihren Clusterzentren minimiert wird. In den Materialwissenschaften dient es zur Mikrostrukturanalyse, Phasensegmentierung, Texturklassifikation oder Auswertung hochdimensionaler Prozess- und Eigenschaftsdaten, etwa aus Diffraction, Spektroskopie, Bildgebung oder Hochdurchsatzexperimenten.