两者都是合理的方法，可以预见，任何一个都可以在经验上胜过另一个。欧几里得距离假设数据是各向同性的高斯，即它将平等地对待每个特征。另一方面，马氏距离试图衡量变量之间的相关性，并放宽了欧几里得距离的假设，取而代之的是各向异性的高斯分布。

如果您先验地知道您的特征之间存在某种相关性，那么我建议您在欧几里得上使用马氏距离。另外，请注意，Z-score 特征缩放可以减轻在欧几里得上选择马氏距离的有用性（尽管最小-最大归一化不太正确）。Mahalanobis 距离的主要缺点是它需要对协方差矩阵进行求逆，这可能会根据问题在计算上有所限制。

要完成 bjou 的回答：

最小-最大归一化的一个潜在问题是它对异常值非常敏感。例如，如果您的数据集包含 100 个二维示例；并且数据集看起来像这样：

1, 147
8, -252
3, 125
2, -605
...
10000, -100 <- outlier
4, 200

min-max 归一化会将第一个属性的几乎所有值压缩为 0，除了最后一个为 1 的值 - 因此，第一个属性不太可能在分类中具有任何权重。

您可以改为使用最小-最大归一化的稳健变体，它使用第一和第三四分位数（或第一和第九十分位数）而不是最小值和最大值。

另一种常见的归一化技术包括去除平均值并除以标准偏差。您可以将其视为马氏距离的类似物，其中协方差矩阵被约束为对角线。它对异常值有些敏感，但不如 min/max 敏感。

最后值得一提的是：对数据进行高斯化（例如使用 box-cox 变换）通常很有帮助 - 每当您使用欧几里德范数对数据进行处理时，背后都会隐藏一个高斯假设！