1、模型目标函数

Linear SVM的目标是最大化间隔，即在满足分类约束的条件下，寻找间隔最大的超平面。而逻辑回归的目标是最小化对数损失，通过估计样本属于某一类的概率。

2、决策边界

Linear SVM寻找间隔最大的超平面进行分类，确保每个类别的支持向量到决策边界的距离最大化。逻辑回归则通过估计概率来得到决策边界，形成一个平滑的sigmoid函数。

3、对异常值敏感度

Linear SVM对异常值比较敏感，因为支持向量直接影响决策边界。逻辑回归则相对对异常值不太敏感，因为它基于整体样本来估计概率。

4、计算复杂度

Linear SVM通常计算复杂度较高，需要解决二次规划问题。而逻辑回归使用梯度下降等优化方法，计算复杂度相对较低。

5、模型解释性

逻辑回归具有良好的解释性，可以直接通过权重解释每个特征的重要性。Linear SVM的解释性相对较差，因为它关注的是支持向量而非整个数据集。

常见问答

没有统一答案，取决于具体数据和任务。Linear SVM对某些非线性可分问题更有效，LR则可能在需要概率输出时更合适。

是的，通过一对多或一对一的策略，Linear SVM可以应用于多分类问题。

不一定，取决于优化算法和具体数据集。

可能是的，高敏感度可能使Linear SVM在噪声数据上的性能下降。

通常情况下是这样，但取决于具体情况和需求。