不同的数据挖掘算法采用不同的度量方式相似度、相异度、余弦相似度、邻近度等例如最近邻分类器、k-means等

常用的度量方式包括：

1.欧几里得距离（Euclidean Distance）：用于计算两个向量之间的距离，即两个向量各个维度差的平方和的平方根。

2.曼哈顿距离（Manhattan Distance）：计算两个向量之间的距离，即两个向量各个维度差的绝对值之和。

3.余弦相似度（Cosine Similarity）：用于计算两个向量之间的相似度，即两个向量的夹角余弦值。

4.皮尔逊相关系数（Pearson Correlation Coefficient）：用于计算两个向量之间的相关性，即两个向量的协方差除以它们的标准差之积。

5.Jaccard相似系数（Jaccard Similarity Coefficient）：用于计算两个集合之间的相似度，即两个集合交集大小除以它们的并集大小。

6.汉明距离（Hamming Distance）：用于计算两个二进制向量之间的距离，即两个向量对应位置不同的个数。

不同的算法根据其特定的应用场景和数据类型选择不同的度量方式。例如，最近邻分类器使用欧几里得距离或曼哈顿距离作为相似度度量，k-means使用欧几里得距离或余弦相似度作为相似度度量