※ 引述《jikett (jikeZ)》之铭言： : 各位大神前辈好，小弟不才，最近在面试遇到一个有趣的问题， : 面试官问说data在什麽情况下会用logistic regression，什麽 : 情况下会用SVM? : 当下有点愣住，若谈boundary的特性，两个都可以透过kernel : trick转成nonlinear。印象中以前看蛮多例子都会用 : K-fold cross validation做比较，好像没有一个通则说什麽情 : 形下哪一个一定会优於另一个。 : 後来跟一个Phd朋友讨论後，也只得到说logistic regression在 : data seperable情况下，MLE会是无穷大，但在practical中并不 : 常见完全seperable的data?! : 另外有想到说loss的差异，但其实hinge loss跟logistic regression : 的loss(sigmoid+cross entropy)似乎也只有微小差异? 且loss的 : 不同似乎也不是面试官想问的data特性? : 最後只想到multi-class，LR有softmax推广到multi-class，但SVM : 也可以做1-vs-all SVMs。不晓得各位大神前辈们对於这两者的比较 : 适用於什麽样的data有什麽看法? 先谢谢各位大神前辈! 你好 我最近在念Python 机器学习 第二版 刚好有看到跟你这个问题相关的内容 在 84页 有这些内容: 逻辑斯回归 与支持向量机的比较 在实际的分类工作中，线性逻辑斯回归与线性支援向量机 常常会产生非常相似的结果。但是逻辑斯回归试图最佳化训练数据集的条件概似， 这会使逻辑斯回归比支援向量机更容易倾向於离群值。支援向量机主要在意的是 那些非常接近决策边界(支援向量)的那些点。逻辑斯回归有另一个优点是，他是一个简 单的模型，可以更容易的实作。另外，逻辑斯回归模型可以很容易的完成更新处理， 这在处里串流数据的时候，是非常吸引人的优点。 从上述内容 似乎两者差异在於逻辑斯回归会更倾向於离群值? --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 140.127.233.55 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1544673093.A.B2F.html ※ 编辑: peter308 (140.127.233.55), 12/13/2018 11:53:43