SVM和logistic回归分别在什么情况下使用？

这两种算法都是常见的分类算法，从目标函数来说，区别在于logistic回归采用的是log对数损失函数L(Y,P(Y|X))=-log(P(Y|X))，SVM采用的是hingle loss.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，减小对分类影响小的数据点的权重。
SVM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logistic回归通过非线性映射，大大减小离分类平面较远的点的权重，相对提升与分类最相关的数据点的权重。
在工业实际应用中，SVM用的不多，速度慢而且效果很难保证。
在Andrew Ng的机器学习视频中提到SVM和logistic回归的适用情形：
m是样本数，n是特征的数目
1、如果n相对于m来说很大，则使用logistic回归或者不带核函数的SVM（线性分类）
2、如果n很小，m的数量适中（n=1-1000，m=10-10000），使用带核函数的SVM算法
3、如果n很小，m很大（n=1-1000,m=50000+）,增加更多的特征，然后使用logistic回归或者不带核函数的SVM。