LR和SVM的联系与区别？
相同点：
（1） LR和SVM都可以处理分类问题 ，且--- 般都用于处理线性二 分类问题（在改进的情况下可以处理多分类问题）
（2）两个方 法都可以增加不同的正则化项 ，如L1、 L2等等。所以在很多实验中 ，两种算法的结果是很接近的。
区别：
（1） LR是参数模型， SVM是非参数模型。
（2）从目 标函数来看 ，区别在于逻辑回归采用 的是Logistical Loss ，SVM采用 的是hinge loss.这两个损失函数的目 的都是增加对分类影响较大 的数据点的权重 ，减少与分类关系较小 的数据点的权重。
（3） SVM的处理方 法是只考虑Support Vectors ，也就是和分类最相关的少数点 ，去学习分类器。 而逻辑回归通过 非 线性映射 ，大大 减小 了离分类平面 较远的点的权重 ，相对提升了与分类最相关的数据点的权重。
（4）逻辑回归相对来说模型更简单，好理解 ，特别是大 规模线性分类时比 较方 便。而SVM的理解和优化相对来说 复杂--- 些， 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。
（5） Logic能做的SVM能做 ，但可能在准确率上有问题， SVM能做的Logic有的做不了。