O algoritmo K-means particiona o espaço de características em hiper-esferas, enquanto os algoritmos baseados em dendogramas não possuem uma estrutura fixa.

Ao contrário do agrupamento hierárquico baseado em dendograma, o aprendizado pela K-means exige que o número de clústeres seja predeterminado.

Tanto a K-means quanto os algoritmos hierárquicos encontram a solução ótima global da partição em relação à distância quadrática médica entre os exemplos e o centroide mais próximo.

O algoritmo da K-means atribui uma probabilidade de que um determinado exemplo pertença a um cluster específico.