1樓：阿澤
相同：都是分類模型，本質都是在找最佳分類超平面；
都是判別式模型，判別式模型不關係資料是怎麼生成的，只關心資料之間的差別，然後用差別來簡單對給定的乙個資料進行分類；
都是監督學習演算法；
都可以增加不同的正則項。
異同：LR 是乙個統計的方法，SVM 是乙個幾何的方法；
SVM 的處理方法是只考慮 Support Vectors，也就是和分類最相關的少數點去學習分類器。而邏輯回歸通過非線性對映減小了離分類平面較遠的點的權重，相對提公升了與分類最相關的資料點的權重；
損失函式不同：LR 的損失函式是交叉熵，SVM 的損失函式是 HingeLoss，這兩個損失函式的目的都是增加對分類影響較大的資料點的權重，減少與分類關係較小的資料點的權重。對 HingeLoss 來說，其零區域對應的正是非支援向量的普通樣本，從而所有的普通樣本都不參與最終超平面的決定，這是支援向量機最大的優勢所在，對訓練樣本數目的依賴大減少，而且提高了訓練效率；
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（比如正太分布由均值和方差確定），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（分布中也可能存在引數），但是無法知道其分布的形式，更不知道分布的相關引數，只有在給定一些樣本的條件下，能夠依據非引數統計的方法進行推斷。所以 LR 受資料分布影響，尤其是樣本不均衡時影響很大，需要先做平衡，而 SVM 不直接依賴於分布；
LR 可以產生概率，SVM 不能；
LR 不依賴樣本之間的距離，SVM 是基於距離的；
LR 相對來說模型更簡單好理解，特別是大規模線性分類時平行計算比較方便。而 SVM 的理解和優化相對來說複雜一些，SVM 轉化為對偶問題後，分類只需要計算與少數幾個支援向量的距離，這個在進行複雜核函式計算時優勢很明顯，能夠大大簡化模型和計算；
SVM 的損失函式自帶正則（損失函式中的 1/2||w||^2），而 LR 需要另外新增正則項。
2樓：Miner帆
不僅是loss function不同，設計loss function的出發點就不一樣。
SVM的目標是使分割面到所有樣本的距離最大，約束條件是錯誤要小於一定的值（通過空間距離定義）；
LR的目標是盡量少分錯（通過概率假設定義）。
3樓：
linear svm的decision boundry只受到部分點的影響，lr所有點都會影響，所以對於極端點來說，svm更穩健。在使用kenal方法後，LR對每個點都要計算內積，svm只需要對support vector計算，大大降低計算量。
4樓：追風少年
本節來自：LR與SVM的異同 - 止戰 - 部落格園，有刪改。支援向量機模型並不是嚴格意義上的判別式模型。
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，即分類決策面都是線性的。
3，LR和SVM都是監督學習演算法。
不同點：
1，本質上是其loss function不同。
2，支援向量機只考慮區域性的邊界線附近的點，而邏輯回歸考慮全域性（遠離的點對邊界線的確定也起作用）。
線性SVM不直接依賴於資料分布，分類平面不受一類點影響；LR則受所有資料點的影響，如果資料不同類別strongly unbalance，一般需要先對資料做balancing。
3，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。
這個問題理解起來非常簡單。分類模型的結果就是計算決策面，模型訓練的過程就是決策面的計算過程。通過上面的第二點不同點可以了解，在計算決策麵時，SVM演算法裡只有少數幾個代表支援向量的樣本參與了計算，也就是只有少數幾個樣本需要參與核計算（即kernal machine解的係數是稀疏的）。
然而，LR演算法裡，每個樣本點都必須參與決策面的計算過程，也就是說，假設我們在LR裡也運用核函式的原理，那麼每個樣本點都必須參與核計算，這帶來的計算複雜度是相當高的。所以，在具體應用時，LR很少運用核函式機制。
4，線性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。
5，SVM的損失函式就自帶正則！！！（損失函式中的1/2||w||^2項），這就是為什麼SVM是結構風險最小化演算法的原因！！！而LR必須另外在損失函式上新增正則項！！！
本節來自演算法比較-SVM和logistic回歸，該部落格裡有些寫的並不準確，具有參考價值。
在Andrew NG的課裡講到過：
1. 如果Feature的數量很大，跟樣本數量差不多，這時候選用LR或者是Linear Kernel的SVM
2. 如果Feature的數量比較小，樣本數量一般，不算大也不算小，選用SVM+Gaussian Kernel
3. 如果Feature的數量比較小，而樣本數量很多，需要手工新增一些feature變成第一種情況
5樓：馬驍
撇開優化演算法和正則項，我認為這個PPT(（http://www.
cs.toronto.edu/~kswersk
y/wp-content/uploads/svm_vs_lr.pdf
6樓：萬萬沒想到
是不是還有LR一般是empirical risk minimization,而SVM 是structure risk minimization，從learning theory的角度考慮SRM對Bayesian Risk的逼近更好一點。
7樓：宋東東
題主問本質差別，最本質就是loss function不同。
「lr 和 svm本質不同在於loss function的不同，不過想想這幾乎對所有的單層模型都使用，lr的損失函式是 cross entropy loss， adaboost的損失函式是 expotional loss ,svm是hinge loss，常見的回歸模型通常用均方誤差 loss。」 摘自邏輯回歸（logistic regression）和支援向量機（SVM）的比較
「從目標函式來看，區別在於邏輯回歸採用的是logistical loss，svm採用的是hinge loss。」摘自SVM和logistic回歸分別在什麼情況下使用？ - 知乎使用者的回答
有沒有Jmeter和LR之爭？
maninhill 根據 51Testing軟體測試網的調查報告，2009 年時僅 6 的受訪者採納 JMeter 工具。但是到 2019年，62 的受訪者採納 JMeter 作為效能測試工具，已經成為目前最主流的效能測試工具。除了效能測試以外，也有很大部分使用者在使用 JMeter 進行介面測試。...
攝影後期為什麼都用LR呢？用PS是否可以有一樣的處理效果呢？
哈次卡西 你們只在乎修圖面板乙個功能，然鵝 我常用的功能 因為從匯入，匯入色彩管理，加關鍵字，加星，色標，收藏，對資源管理資料夾進行管理，快捷整體修飾。修圖面板，控制lut,匯出，輸出銳化，匯出色彩管理，關聯郵件，水印管理製作印表機色彩管理，列印排版，列印銳化 製作簡單的藝術微噴畫冊，輸出畫冊等等全...
為什麼FPS裡鮮有發射 22lr彈藥的槍械？
AKinG47 在CS體系裡面，9公釐的GLOCK和MP5，TMP，P228，雙持貝雷塔92之流都基本打不動有甲的目標，45只是部分槍械 GO之前的MAC10，UMP 打不准。22的話，你說該設定多少槍放倒一人。CS體系裡面，打得快和打得猛你至少要佔一樣，這也是GO之前的CS總是那幾支常用槍的緣故。...