Linear SVM (支持向量机)和LR (逻辑回归)都是机器学习领域常用的二分类方法。它们的主要异同点体现在：1.模型原理不同；2.损失函数不同；3.决策边界不同；4.鲁棒性不同；5.结果解释性不同。Linear SVM是基于几何边界的分类模型，而LR则是一种基于概率的分类模型。
1.模型原理不同
Linear SVM是基于几何边界的分类模型，其目标是寻找一个超平面将不同类别的样本最大程度地分隔开。而LR则是一种基于概率的分类模型，通过学习样本的概率分布进行分类。
2.损失函数不同
Linear SVM使用间隔最大化（即hinge loss）的原则作为其优化目标，它关注的是离分类超平面最近的那些点（即支持向量）。LR则使用逻辑损失函数，其考虑了所有样本对损失的贡献。
3.决策边界不同
Linear SVM的决策边界是由支持向量确定的最大间隔超平面，决策边界只依赖于少数的支持向量。而LR的决策边界是概率为0.5的地方，决策边界由所有样本共同决定。
4.鲁棒性不同
Linear SVM的鲁棒性更强，对异常值和噪声的影响较小，因为其决策只依赖于支持向量。而LR对于噪声和异常值更为敏感，因为其损失函数考虑了所有样本的贡献。
5.结果解释性不同
LR输出的是每个样本属于正类的概率，具有很好的概率解释性，适用于需要概率输出的场合。而Linear SVM只提供了二分类的决策函数，缺乏概率解释。
延伸阅读
选择Linear SVM还是LR
1.数据特性：如果数据存在严重的异常值或噪声，Linear SVM由于其鲁棒性较强，可能会得到更好的性能。如果数据相对干净，且希望获得概率输出，LR可能是更好的选择。
2.问题需求：如果问题需要有良好的概率解释性，LR的输出能直接解释为概率。而如果问题只关心分类决策，不需要概率解释，Linear SVM也是一个很好的选择。
3.计算资源：如果数据的维度非常高，或者数据量非常大，LR由于其计算复杂度低，可能是更好的选择。而如果计算资源充足，数据维度不高，Linear SVM能够找到更好的决策边界。
选择适合的模型需要根据数据特性，问题需求，以及可用的计算资源进行综合考虑。
