欧式距离很常用，分离器最后计算时很多都是用欧式距离，
公式：
[(x1-x2)^2+(y1-y2)^2]^1/2
但是很多时候，特征的各个维度（属性）的数值差异很大，比如身高，体重，有时候我们常用标准化来解决，比如求取每种特征的Max和Min，然后用特征的值去除以（Max－Min），得到的就是标准化后的值。而马氏距离，采用里另一种方法，通过对差异乘各属性的协方差矩阵，来保持各个属性的差异，公式：
｛[(x1-x2)^2+(y1-y2)^2]S^-1｝^1/2
其中S是样本字典的协方差矩阵，如果了解PCA原理，这个S和PCA常用的SCORE是一个作用（其实都是协方差矩阵），特征＊SCORE就会被转换到同一维度，所以SCORE也叫做转换矩阵。如果S是一个E，那么还是简单的欧式距离，如果是一个对角矩阵，就是标准化的欧式距离了。
这样的优点就是消除了量纲的影响，使马氏距离与原始数据的测量单位无关，结果和标准化数据和中心化数据(即原始数据与均值之差）计算出的二点之间的马氏距离相同。马氏距离还可以排除变量之间的相关性的干扰。缺点：它的缺点是夸大了变化微小的变量的作用。