逻辑回归（logistics regression）和支持向量机（support vector machine）的区别

这个问题算是很多公司面试初级算法工程师时经常提的问题，可以轻松的检测面试的的算法基础能力。

根据这两种算法理论以及应用场景总结有主要有以下几种区别：

1.损失函数不同

LR：log loss

SVM：hinge loss（常用来求解间距最大化问题，代表性的就是SVM）

这两种损失函数都是加重对分类影响较大的点的权重，减少与分类数据关系较少的点的权重。但不同的是，LR 是考虑所有的样本点，而 SVM只考虑少量的样本（支持向量：离分类平面最近的点）。

2.预测的结果不一样

逻辑回归是广义的线性回归。是线性函数通过sigmod函数变换而来，函数值域为[0,1]，在实际运用场景里，可直接将这个结果当做事件发生的概率（比如广告的点击概率等），可以取一个阈值，根据阈值确定分类结果。而SVM是直接的给出分类结果，这直接导致在有些业务场景无法使用——当然也可以通过对点到分类平面的距离做归一化，把归一化的结果作为概率。但一般线性分类ctr预估的场景还是会直接选择LR。

3.对数据和参数的敏感不一样

SVM不直接依赖数据分布，分类平面不受一类点的影响，而LR受所有点的影响。如果不同类别数据strongly unbalance，必须要做balance处理（采样等方式）。

SVM依赖距离测量，需要对样本先做normalization处理，但LR不需要。