LR和SVM可能是面試中問到的非樹模型中很常見的一個問題了，主要的是推公式以及說明求解過程如SVM。筆者在面美團的時候就要求推了LR和SVM，過程不難，平時每天推一遍，你就會發現面試的時候最讓人覺得愉快的就說推公式了，然后推完之后就是問一下與之有關的亂七八糟的問題了。

　　聯系：

　　1、LR和SVM都可以處理分類問題，且一般都用于處理線性二分類問題(在改進的情況下可以處理多分類問題)

　　2、兩個方法都可以增加不同的正則化項，如l1、l2等等。所以在很多實驗中，兩種算法的結果是很接近的。

　　3、LR和SVM都可以用來做非線性分類，只要加核函數就好。

　　4、LR和SVM都是線性模型，當然這里我們不要考慮核函數。

　　5、都屬于判別模型。

　　區別：

　　1、LR是參數模型，SVM是非參數模型。

　　2、從目標函數來看，區別在于邏輯回歸采用的是logistical loss，SVM采用的是hinge loss，這兩個損失函數的目的都是增加對分類影響較大的數據點的權重，減少與分類關系較小的數據點的權重。

　　3、邏輯回歸相對來說模型更簡單，好理解，特別是大規模線性分類時比較方便。而SVM的理解和優化相對來說復雜一些，SVM轉化為對偶問題后,分類只需要計算與少數幾個支持向量的距離,這個在進行復雜核函數計算時優勢很明顯,能夠大大簡化模型和計算。

　　4、SVM不直接依賴數據分布，而LR則依賴，因為SVM只與支持向量那幾個點有關系，而LR和所有點都有關系。

　　5、SVM依賴penalty系數，實驗中需要做CV。

　　6、SVM本身是結構風險最小化模型，而LR是經驗風險最小化模型。

　　另外怎么選模型：

　　在Andrew NG的課里講到過：

　　1. 如果Feature的數量很大，跟樣本數量差不多，這時候選用LR或者是Linear Kernel的SVM

　　2. 如果Feature的數量比較小，樣本數量一般，不算大也不算小，選用SVM+Gaussian Kernel

　　3. 如果Feature的數量比較小，而樣本數量很多，需要手工添加一些feature變成第一種情況

　　還有的解釋的比較詳細的，可以看引用，差不多能回答出來幾點就好了，具體的因為模型不一樣，能說出來一大推其他的不同點。