K-Means是機器學習領域中無監督學習中的一種最常用的聚類演算，將給定的數據分割成多個不同的組，每組的核心點就是該組成員的均值點（通常成為群心），可以被表示成多維向量。

K-Means判斷目標是最小化組成員到群心的平方距離總和。隨著被分析數據集的不斷加大，每次都需要計算全部數據到群心的距離，為了解決計算量及耗時變大的問題，故採用Mini Batch K-Means方法。Mini Batch K-Means是K-Means的變形，不同之處在於Mini Batch K-Means每次只需要從全部數據抽樣疊代，大大縮短計算時間。Mini Batch（分批處理）的思想和方法在梯度下降、神經網絡反向傳播中，也被廣泛用於減少算法的訓練時間。

從數據中隨機抽取小樣本，形成mini batch，並將他們分配到最近的組，然後不斷更新調整群心，當滿足收斂條件（如：疊代次數、精確度）即可終止計算。

Mini Batch K-Means相比K-Means節省了大量計算時間，雖然會犧牲少量聚類品質，在資料量稍大的情況下，精度的差異可以忽略不計。