支持向量机SVM与逻辑斯谛回归LR区别

本文主要是介绍支持向量机SVM与逻辑斯谛回归LR区别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

逻辑回归模型

逻辑回归模型是一种分类模型，由条件概率分布P(Y|X) 表示，形式为参数化的逻辑分布，这里，随机变量X取值为实数，随机变量Y取值为1或0。

在学习逻辑回归时大家总是将线性回归作比较，线性回归模型的输出一般是连续的，

在线性回归模型中每一个输入x,都有一个对应的y输出。模型的定义域和值域都可以是[-∞, +∞]。但是逻辑回归输入可以是连续的[-∞, +∞],输出却一般是离散的，即只有有限个多个输出值。例如值域可以只有两个值{0，1}，这两个值可以表示对样本的某种分类（高/低，好/坏等），这就是常见的二分类逻辑回归。因此，从整体上来说，通过LR我们可以将整个实数范围上的x映射到了有限个点上，这样就实现了对X的分类。

LR与SVM的相同点

• LR和SVM都是分类算法；
• 如果不考虑核函数，LR和SVM都是线性分类算法，也就是它们的分类决策面都是线性的；
• SVM只考虑局部的边界线附近的点，而LR考虑全局（远离的点对边界线的确定也起作用）。

影响SVM决策面的样本点只有少数的结构支持向量，当在支持向量外添加或减少任何样本点对分类决策面没有任何影响；而在LR中，每个样本点都会影响决策面的结果。

a.SVM改变非支持向量样本并不会引起决策面的变化

b.LR中改变任何样本都会引起决策面的变化

• LR和SVM都是监督学习。
• LR和SVM都是判别模型

判别模型会生成一个表示P(Y|X)的判别函数（或预测模型），而生成模型先计算联合概率p(Y,X)然后通过贝叶斯公式转化为条件概率。简单来说，在计算判别模型时，不会计算联合概率，而在计算生成模型时，必须先计算联合概率。

常见的判别模型有：SVM、LR，条件随机场（CRF），CART，最大熵，决策树

常见的生成模型有：朴素贝叶斯，隐马尔可夫模型，贝叶斯网络，KNN，马尔科夫随机场（MRF）

LR与SVM的不同

• 本质上是两者的损失函数的不同

逻辑回归一般使用交叉熵作为损失函数：

SVM损失函数：

其中, m：训练样本的个数；hθ(x)：用参数θ和x预测出来的y值；y：原训练样本中的y值，也就是标准答案; 上角标(i)：第i个样本

• 线性SVM依赖数据表达的距离测度，所以需要对数据先做Normalization，  LR不受其影响；

要说有什么本质区别，那就是两个模型对数据和参数的敏感程度不同,因为SVM在计算margin有多“宽”的时候依赖数据表达上的距离测度，如果这个测度不好，所求得的Large margin就没有意义了，这个问题即使换用kernel trick也无法避免。所以使用SVM之前都需要先对数据进行Normalization，而求解LR时候则不需要或者结果不敏感。

• 在解决非线性问题时，SVM采用核函数的机制，而LR通常不采用核函数
  

这个问题理解起来非常简单。分类模型的结果就是计算决策面，模型训练的过程就是决策面的计算过程。通过上面的第二点不同点可以了解，在计算决策面时，SVM算法里只有少数几个代表支持向量的样本参与了计算，也就是只有少数几个样本需要参与核计算（即kernal machine解的系数是稀疏的）。然而，LR算法里，每个样本点都必须参与决策面的计算过程，也就是说，假设我们在LR里也运用核函数的原理，那么每个样本点都必须参与核计算，这带来的计算复杂度是相当高的。所以，在具体应用时，LR很少运用核函数机制。

• SVM与LR学习算法

LR学习算法有: 改进的迭代尺度算法，梯度下降，拟牛顿法

SVM学习算法: 序列最小优化算法（SMO）

• SVM的损失函数就自带正则（损失函数中的1/2||w||^2项），这就是为什么SVM就是结构风险最小化算法的原因，而LR必须另外在损失函数上添加正则项，关于正则化可参考我的另一篇博客：https://blog.csdn.net/u010899985/article/details/79471909

这篇关于支持向量机SVM与逻辑斯谛回归LR区别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---