标签：添加 最大 理解 图片 line 函数 作者 org www
1、LR和SVM有什么相同点
（1）都是监督分类算法；
（2）如果不考虑核函数，LR和SVM都是线性分类算法，也就是说他们的分类决策面都是线性的；
（3）LR和SVM都是判别模型。
2、LR和SVM有什么不同点
（1）本质上是其loss function不同；
逻辑回归损失函数：
SVM损失函数：
LR方法基于概率理论，假设样本为0或者1的概率可以用sigmoid函数来表示，然后通过极大似然估计的方法估计出参数的值，或者从信息论的角度来看，其是让模型产生的分布P(Y|X)P(Y|X)尽可能接近训练数据的分布；支持向量机?基于几何间隔最大化原理，认为存在最大几何间隔的分类面为最优分类面 。
（2）SVM只考虑分类面上的点，而LR考虑所有点（远离的点对边界线的确定也起作用）
SVM中，在支持向量之外添加减少任何点都对结果没有影响，而LR则是每一个点都会影响决策。
Linear SVM不直接依赖于数据分布，分类平面不受一类点影响 ；LR则是受所有数据点的影响，所以受数据本身分布影响的，如果数据不同类别strongly unbalance，一般需要先对数据做balancing。?
（3）在解决非线性问题时，支持向量机采用核函数的机制，而LR通常不采用核函数的方法。
SVM转化为对偶问题后，分类只需要计算与少数几个支持向量的距离，这个在进行复杂核函数计算时优势很明显，能够大大简化模型和计算量。 而LR则每个点都需要两两计算核函数，计算量太过庞大。
（4）SVM依赖于数据的测度，而LR则不受影响
因为SVM是基于距离的，而LR是基于概率的，所以LR是不受数据不同维度测度不同的影响，而SVM因为要最小化12||w||212||w||2所以其依赖于不同维度测度的不同，如果差别较大需要做normalization 。当然如果LR要加上正则化时，也是需要normalization一下的 。
使用梯度下降算法，一般都要 feature scaling，如果不归一化，各维特征的跨度差距很大，目标函数就会是“扁”的，在进行梯度下降的时候，梯度的方向就会偏离最小值的方向，走很多弯路。
（5）SVM自带结构风险最小化，LR则是经验风险最小化
SVM的损失函数就自带正则！！！（损失函数中的1/2||w||^2项），这就是为什么SVM是结构风险最小化算法的原因！！！而LR必须另外在损失函数上添加正则项！！！
以前一直不理解为什么SVM叫做结构风险最小化算法，所谓结构风险最小化，意思就是在训练误差和模型复杂度之间寻求平衡，防止过拟合，从而达到真实误差的最小化。未达到结构风险最小化的目的，最常用的方法就是添加正则项。
（6）LR和SVM在实际应用的区别
根据经验来看，对于小规模数据集，SVM的效果要好于LR，但是大数据中，SVM的计算复杂度受到限制，而LR因为训练简单，可以在线训练，所以经常会被大量采用【听今日头条的同学说，他们用LR用的就非常的多】
转自：简书作者
标签：添加 最大 理解 图片 line 函数 作者 org www
原文地址：https://www.cnblogs.com/eilearn/p/9026851.html
