逻辑回归和支持向量机

逻辑回归和支持向量机（SVM）是两种常见的线性分类算法。逻辑回归通过 logistic regression 模型实现，而线性支持向量机则通过 linear support vector machine（线性 SVM）实现。逻辑回归和线性支持向量机都是通过找到一个超平面来将数据分为不同的类别。\[1\]

逻辑回归和支持向量机在处理异常点时有一些不同。引入松弛变量后，支持向量机可以容忍异常点的存在。因为引入松弛变量后，所有点到超平面的距离约束不需要大于等于1，而是大于0.8就可以了。这意味着异常点可以不被视为支持向量，而是作为普通点存在，不会对支持向量和超平面产生影响。\[2\]

对于逻辑回归和线性支持向量机，正则化强度由参数 C 决定。C 值越大，对应的正则化越弱。换句话说，如果参数 C 值较大，逻辑回归和线性支持向量机将尽可能将训练集拟合到最好；而如果 C 值较小，模型更强调使系数向量（w）接近于0，即更强调正则化。\[3\]
#### 引用[.reference_title]
- *1* *3* [逻辑回归( LogisticRegression)和线性支持向量机（LinearSVC）](https://blog.csdn.net/qq_51228515/article/details/121926632)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* [机器学习之逻辑回归和支持向量机](https://blog.csdn.net/gzn00417/article/details/109754032)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]