相同點
1. 都是線性分類器。本質上都是求乙個最佳分類超平面。都是監督學習演算法。不同點2. 都是判別模型。通過決策函式，判別輸入特徵之間的差別來進行分類。
1.損失函式不同：lr的損失函式是交叉熵，svm損失函式為合頁損失函式svm目標函式為損失函式加正則項：
2. 兩個模型對資料和引數的敏感程度不同：(1) svm考慮分類邊界線附近的樣本, 在支援向量外新增或減少任何樣本點對分類決策面沒有任何影響；參考文章參考文章1lr受所有資料點的影響。直接依賴資料分布，每個樣本點都會影響決策面的結果
(2) lr 是引數模型，svm 是非引數模型
引數模型的前提是假設資料服從某一分布，該分布由一些引數確定，在此基礎上構建的模型稱為引數模型；
非引數模型對於總體的分布不做任何假設，只是知道總體是乙個隨機變數，其分布是存在的，但是無法知道其分布的形式和相關引數
3.svm 基於距離分類，lr 基於概率分類
svm依賴資料表達的距離測度，所以需要對資料先做 normalization；lr不受其影響。
4.在解決非線性問題時，支援向量機採用核函式的機制，而lr通常不採用核函式的方法
5. 在小規模資料集上，linear svm要略好於lr，但差別也不是特別大，而且linear svm的計算複雜度受資料量限制，對海量資料lr使用更加廣泛
6. svm的損失函式自帶正則，而 lr 必須另外在損失函式之外新增正則項
LR與SVM的異同
1.本質上是其loss function不同 邏輯回歸採用的是logistical loss，svm採用的是hinge loss。可以看出，二者的唯一區別就是對於單個資料點，計算損失的方法不同。logistic regression中的log loss 而svm中的hinge loss。可以看出，二...
SVM與LR的區別
在大大小小的面試過程中，多次被問及這個問題 請說一下邏輯回歸 lr 和支援向量機 svm 之間的相同點和不同點 第一次被問到這個問題的時候，含含糊糊地說了一些，大多不在點子上，後來被問得多了，慢慢也就理解得更清楚了，所以現在整理一下，希望對以後面試機器學習方向的同學有所幫助 至少可以瞎扯幾句，而不至...
LR與SVM的區別
lr與svm的區別 相同點 1.lr和svm都是分類演算法 2.如果不考慮核函式，lr和svm都是線性分類演算法，即它們的分類決策函式都是線性的 3.lr和svm都是監督學習演算法 4.lr和svm都是判別模型。不同點 1.從目標函式來看，lr採用的是對數損失函式，svm採用的是合頁損失函式。這兩個...