相同點：
（1）都是監督學習演算法
（2）都是分類演算法，都是判別模型 p（x|y）
（3）若svm不考慮核函式，都是線性分類演算法，決策面是線性的
不同點：
（1）測度不同，svm是距離測度，基於幾何間隔最大化作為度量原則；lr是概率測度，計算樣本概率，用極大似然估計計算引數。因此，二者的loss function不同
（2）樣本點對分類決策面的影響不同。svm只有支援向量的樣本（區域性邊界點）對最優決策面有影響，其他樣本點對決策面沒有影響。lr全域性樣本點對引數估計都有影響
（3）解決非線性分類的問題，svm採用核函式，lr不需要採用核函式
（4）svm 損失函式裡自帶正則化項，所以svm是結構風險最小化演算法；lr損失函式在解決過擬合時要加正則化項
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...
LR與SVM的異同
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的異同
原文 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，...