SVM和LR的区别

1、样本点的的不同

SVM只有关键点的样本点对模型结果有影响，即支持向量对模型结果有影响。
LR中每个点都对样本点有影响。

2、损失函数不同

SVM的损失函数是Hinge损失函数：
L_i = \sum\nolimits_{j\neq y_i}\max(0, s_j-s_{y_i}+\Delta)
LR的损失函数是log损失函数：
L = \sum_{i=1}^n[y_i \log\hat{y_i} + (1-y_i)\log(1-\hat{y_i}) ]

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，而SVM只有判断

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纬度特征空间。

6、防止过拟合能力不同

SVM模型包含中包含了L2正则化

7、处理非线性的能力不同

8、抗噪声数据能力不同

©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

相关阅读更多精彩内容

友情链接更多精彩内容