factorization machine和logistic regression的区别是：1、模型结构不同；2、数据需求不同；3、模型能力不同；4、计算效率不同。Logistic Regression是线性分类器，只考虑特征之间的线性关系；而Factorization Machine基于矩阵分解的思想，可以学习到特征之间的非线性关系。
一、factorization machine和logistic regression的区别
Factorization Machine和Logistic Regression都是机器学习中的经典算法，用于分类任务。它们的区别在以下几个方面：
1、模型结构不同
Logistic Regression是线性分类器，只考虑特征之间的线性关系；而Factorization Machine基于矩阵分解的思想，可以学习到特征之间的非线性关系。
2、数据需求不同
Logistic Regression需要在数据中显式地表达出各特征之间的交互作用，这种数据在实际中很难获得；而Factorization Machine则不需要显式地表达特征交互，只需要输入特征向量即可。
3、模型能力不同
Factorization Machine比Logistic Regression的表达能力更强，可以捕捉到更复杂的特征关系。
4、计算效率不同
Logistic Regression的计算速度较快，因为它只需要计算特征之间的线性组合；而Factorization Machine在计算特征之间的二阶交互时需要进行矩阵分解，计算复杂度较高，因此速度较慢。
总之，Factorization Machine通过引入矩阵分解的思想，能够更好地学习到特征之间的非线性关系，但是计算复杂度较高；而Logistic Regression则只考虑特征之间的线性关系，计算速度快，但是模型表达能力有限。
延伸阅读：
二、什么是机器学习
机器学习是指机器通过统计学算法，对大量历史数据进行学习，进而利用生成的经验模型指导业务。它是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
机器学习的核心是“使用算法解析数据，从中学习，然后对新数据做出决定或预测”。也就是说计算机利用以获取的数据得出某一模型，然后利用此模型进行预测的一种方法，这个过程跟人的学习过程有些类似，比如人获取一定的经验，可以对新问题进行预测。
以上就是关于factorization machine和logistic regression的区别的内容了，希望对大家有帮助。
