svm和logistic回歸都是比較常用的演算法，而這兩個演算法有什麼異同點呢。下面是自己的總結，當然也是自己的一些見解。
相同點：
1.都是分類模型
2.都是判別模型
不同點：
1.從損失函式角度：svm用的是hinge loss,而logistic回歸用的是對率損失
2.從方法角度： svm用的是統計方法，svm最大間隔有完備的理論，logistic回歸是概率方法。
3.從對雜訊的影響角度：svm對雜訊比較敏感，而logistic回歸對雜訊不是很敏感，是因為如果雜訊點落在了支援向量上，將會直接影響判別面的方程。而logistic回歸通過最大似然求解模型引數，將會弱化雜訊的影響。
4.從結果角度：svm只能得到測試點屬於哪一類，而logistic回歸能得到屬於哪一類的概率，當然在svm也可以通過樣本點離判別面的相對距離進行輸出屬於該類的概率。
5.從優化方法角度：svm有專門屬於自己的特點的優化方法，smo演算法，該演算法對於優化svm非常的高效。logistic回歸可以通過一些常用的演算法，如梯度下降，共軛梯度下降，牛頓法
6.處理非線性的角度： svm可以通過核方法，logistic可以通過特徵的離散化將其非線性化。
7.處理大資料角度： svm很難處理大資料，因為svm模型主要是由支援向量決定，而支援向量隨著資料量多項式增加。而logistic可以很容易運用到大資料當中。
logistic回歸 logistic回歸
logistic回歸 logistic回歸分析可用於估計某個事件發生的可能性，這是乙個分類模型而不是乙個回歸模型！它的基本思想是利用一條直線將平面上的點分為兩個部分，即兩個類別，要解決的問題就是如何擬合出這條直線，這個擬合的過程就稱之為 回歸 logistic模型 假設你有乙個需要 的內容，要通過三...
logistic分類（logistic回歸 LR）
幾乎所有的教材都是從logistic分類開始的，因為logistic分類實在太經典，而且是神經網路的基本組成部分，每個神經元 cell 都可以看做是進行了一次logistic分類。所謂logistic分類，顧名思義，邏輯分類，是一種二分類法，能將資料分成0和1兩類。logistic分類的流程比較簡單...
線性回歸和logistic分類回歸的區別
回歸問題和分類問題是深度學習裡面需要分清楚的兩種情況，需要根據不同的情況制定不同的演算法，完成不同的任務。兩者最本質的區別是回歸問題代表連續的擬合曲線 值，而分類問題則是將輸入的幾個值分為幾個離散的類。例如 線性回歸處理的是回歸問題 e xp ect y w x bexpect y wx b exp...