SVM与逻辑回归模型有哪些异同？

我想请教一下，SVM模型和逻辑回归模型都是监督学习中的分类模型，它们在算法思路和应用场景上有什么不同和相似之处呢？SVM通过寻找超平面建立判别函数，逻辑回归则是使用Sigmoid函数将线性回归的结果转换为概率值，再做分类决策。它们之间的性能和优缺点又有哪些呢？希望有经验的朋友们能够分享一下您的见解和经验，感谢！

提问时间：2023-07-05 22:57:02 编辑时间：2023-07-05 22:57:04 提问者： 默默
  • Wild_Waterfall
    9

    SVM与逻辑回归模型异同之处如下：

    相同点：

    1. 两者都是监督学习中的分类模型；
    2. 两者都需要一个训练数据集来进行模型的学习；
    3. 两者都是利用分类决策函数对新的数据进行分类的。

    不同点：

    1. SVM是一种基于间隔最大化的分类方法，它通过寻找一个超平面将不同类别的样本分开，而逻辑回归则是一种概率模型，它通过使用Sigmoid函数将线性回归的结果转换为概率值；
    2. SVM通常用于解决线性可分的问题，而逻辑回归可以用于解决线性不可分的问题；
    3. SVM倾向于选择少量的支持向量，而逻辑回归采用的是最大似然估计方法；
    4. SVM对于异常值比较敏感，逻辑回归相对比较鲁棒；
    5. SVM在高维空间中的表现优于逻辑回归，但在低维空间中的表现不如逻辑回归。

    总体上，SVM和逻辑回归模型都是非常优秀的分类学习算法，对于不同的问题，需要根据具体情况选择合适的模型进行建模。

    回答时间：2023-07-05 22:57:07
相关标签

SVM 逻辑回归 模型 异同