Logistic回归和支持向量机之间的区别？

我知道逻辑回归可以找到一个将训练样本分开的超平面。我也知道，支持向量机会找到具有最大余量的超平面。

我的问题：逻辑回归（LR）和支持向量机（SVM）之间的区别是，LR找到任何将训练样本分开的超平面，而SVM找到具有最大余量的超平面吗？还是我错了？

注意：记得在LR中，当，逻辑函数给出。如果我们假设作为分类阈值，则是超平面或决策边界。$\theta \cdot x = 0$$0.5$$0.5$$\theta \cdot x = 0$

如果您在谈论硬SVM，并且这两个类是线性可分离的，那您是对的。LR找到将这两个类分开的任何解决方案。Hard SVM在所有可能的解决方案中找到最大的利润。

如果是软SVM，并且类不能线性分离，则稍加修改就可以了。错误不能为零。LR找到对应于某些误差最小化的超平面。Soft SVM尝试最小化错误（另一个错误），同时通过正则化参数权衡该错误和余量。

两者之间的区别：SVM是一个困难的分类器，而LR是一个概率分类器。SVM稀疏。它（从训练样本中）选择在两个类别之间具有最大区分能力的支持向量。由于它不会在考试时保留其他训练要点，因此我们对这两个课程中的任何一个都不知道如何分配。

我已经解释了在两个类线性可分的情况下LR解决方案（使用IRLS）如何中断以及为什么在这种情况下它不再是概率分类器的原因：https : //stats.stackexchange.com/a/133292/66491