O ALGORITMO DE CLUSTERIZAÇÃO K-MEANS É UM DOS PRINCIPAIS DENTRO DO APRENDIZADO NÃO SUPERVISIONADO. ENTRETANTO, OUTLIERS POSSUEM UM EFEITO NEGATIVO ...

O algoritmo de clusterização K-means é sensível a outliers, pois ele é baseado na minimização da soma dos quadrados das distâncias entre os pontos e seus respectivos centróides. Quando há outliers, esses pontos distantes podem influenciar significativamente na definição dos centróides, levando a uma clusterização inadequada. Além disso, outliers podem ser interpretados como um novo cluster, o que pode prejudicar a identificação dos clusters reais. Portanto, é importante tratar os outliers antes de aplicar o algoritmo K-means ou utilizar outros algoritmos de clusterização mais robustos a outliers.