LR與SVM相同點：
1、本質上都是線性（分類）算法；
2、都是有監督的判別模型
LR與SVM不同點
1、目標函數不同
LR的目標函數主要是最小化預測樣本分佈與實際樣本分佈的交叉熵。（邏輯/對數迴歸用極大似然函數求解，一般迴歸用求導求解）
SVM的目標函數是最大化距離超平面最近異類樣本點間的間隔。
2、SVM是結構風險最小化，LR是經驗風險最小化。
3、解決非線性問題是SVM可採用核函數的機制，LR通常不會採用核函數。
4、LR方法基於概率理論，SVM基於幾何間間隔最大化。
5、SVM目標函數自帶正則化項（L2），LR需要另外加正則化項。
6、SVM依賴數據表達的距離測度，所以需要對數據先做normalization，LR不受其影響。
7、SVM不直接依賴於數據分佈，分類平面不受非支持向量點影響；LR則受所有數據點的影響，如果數據不同類別strongly unbalance，一般需要先對數據做balancing。