這個真不懂，從百度上搬了一個過來。我看了半天，還是看不懂。有懂行的過來用普通人理解的語言翻譯一下。

兩種方法都是常見的分類算法，從目標函數來看，區別在于邏輯回歸采用的是logisticalloss，svm采用的是hingeloss。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。SVM的處理方法是只考慮supportvectors，也就是和分類最相關的少數點，去學習分類器。而邏輯回歸通過非線性映射，大大減小了離分類平面較遠的點的權重，相對提升了與分類最相關的數據點的權重。兩者的根本目的都是一樣的。此外，根據需要，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。

但是邏輯回歸相對來說模型更簡單，好理解，實現起來，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。但是SVM的理論基礎更加牢固，有一套結構化風險最小化的理論基礎，雖然一般使用的人不太會去關注。還有很重要的一點，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量。