É imensa a listas de algoritmos na área de Aprendizagem de Máquina que utilizam funções de distância. Podemos citar os algoritmos de agrupamento como o k-means, as redes neurais Kohonen e RBF, além do exemplo mais claro que é o k-NN. O objetivo desse trabalho é mostrar que diferentes funções de distâncias podem ser empregadas para melhorar a performance de tais algoritmos. Utilizaremos como estudo de caso o k-NN e a rede RBF. Uma vez que a forma como se realiza essa medida pode interferir no comportamento do algoritmo, grande variedade de funções de distância foi desenvolvida justamente para se conseguir melhores resultados nos algoritmos que as empregam. Esse trabalho compara o comportamento das funções HEOM, HVDM, DVDM, IVDM, NCM e mais algumas variações dessa última aqui propostas. Para tanto essas funções serão utilizadas em dois algoritmos de classificação: o k-NN e as redes RBF. Também é testada a resposta às modificações desses algoritmos sob as mesmas funções de distância.