影响聚类算法效果的主要原因可以包括以下几点：

A: 特征选取
B: 模式相似性测度
C: 分类准则

从专业角度分析：

1. **特征选取**：
- 聚类的效果高度依赖于所选取的特征。如果特征选择不当，可能导致聚类效果不佳。特征应该具有代表性，能够有效地区分不同类别的数据。

2. **模式相似性测度**：
- 聚类算法依赖于相似性或距离的定义来将相似的数据点归为一类。选择合适的相似性测度（如欧氏距离、余弦相似性等）对聚类结果的准确性至关重要。

3. **分类准则**：
- 虽然聚类是无监督学习，但一些算法，例如K-means，需要设定初始聚类中心和簇的数量等参数。这些选择（即分类准则）会影响聚类结果。

D: 已知类别的样本质量则更多是监督学习中的考虑因素，与无监督的聚类算法不直接相关。

因此，影响聚类算法效果的主要原因是A、B、C。