这道题很能考察应试者的理论与实践水平，同时，它也揭示了一个很重要的学习方法，那就是比较学习。这种方法在机器学习中尤其重要，因为有很多模型，通过比较，会迅速深化你对各个模型的认识水平。答案是我自己总结的，请指正。

    • 1、样本点对模型的作用不同。SVM中，只有关键的样本点（支持向量）对模型结果有影响，而LR中，每一个样本点都对模型有影响。

    • 2、损失函数不同。SVM是hinge损失函数，LR是log损失函数

    • 3、理论基础不同。SVM基于严格的数学推导，LR基于统计。

    • 4、输出不同。LR可以对每个样本点给出类别判断的概率值，SVM无法做到。

    • 5、可处理的特征空间维度不同。LR在特征空间维度很高时，表现较差。SVM则可以通过对偶求解高效应对这一挑战。

    • 6、防过拟合能力不同。SVM模型中内含了L2正则，可有效防止过拟合。LR要自己添加正则项。

    • 7、处理非线性分类问题能力不同。SVM可通过核函数灵活地将非线性问题转化为线性分类问题。LR如果要做到这一点，需要自己手动地进行特征转换。

    • 8、处理分类问题能力不同。SVM只能处理二类分类问题，如果要处理多类别分类，需要进行 one VS one 或one VS all建模。LR可以直接进行多类别分类。

    • 9、计算复杂度不同。对于海量数据，SVM的效率较低，LR效率比较高。

    • 10、对数据要求不同。SVM依赖于数据表达出的距离测度，所以需要对数据进行标准化处理，而LR不需要。

    • 11、能力范围不同。 SVM拓展后，可解决回归问题，LR不能。

    • 12、可解释性不同。LR基于统计，可解释性比SVM好。

    • 13、抗噪声数据能力不同。SVM的损失函数基于距离测度，抗噪声能力要强于LR。