一、SVM和LR的相同点
1、LR和SVM都是分类算法
看到这里很多人就不会认同了，因为在很大一部分人眼里，LR是回归算法。我是非常不赞同这一点的，因为我认为判断一个算法是分类还是回归算法的唯一标准就是样本label的类型，如果label是离散的，就是分类算法，如果label是连续的，就是回归算法。很明显，LR的训练数据的label是“0或者1”，当然是分类算法。其实这样不重要啦，暂且迁就我认为他是分类算法吧，再说了，SVM也可以回归用呢。
2、如果不考虑核函数，LR和SVM都是线性分类算法，也就是说他们的分类决策面都是线性的
这里要先说明一点，那就是LR也是可以用核函数的，至于为什么通常在SVM中运用核函数而不在LR中运用，后面讲到他们之间区别的时候会重点分析。总之，原始的LR和SVM都是线性分类器，这也是为什么通常没人问你决策树和LR什么区别，决策树和SVM什么区别，你说一个非线性分类器和一个线性分类器有什么区别？
3、LR和SVM都是监督学习算法
这个就不赘述什么是监督学习，什么是半监督学习，什么是非监督学习了。
4、LR和SVM都是判别模型。
判别模型会生成一个表示P(Y|X)的判别函数（或预测模型），而生成模型先计算联合概率p(Y,X)然后通过贝叶斯公式转化为条件概率。简单来说，在计算判别模型时，不会计算联合概率，而在计算生成模型时，必须先计算联合概率。或者这样理解：生成算法尝试去找到底这个数据是怎么生成的（产生的），然后再对一个信号进行分类。基于你的生成假设，那么那个类别最有可能产生这个信号，这个信号就属于那个类别。判别模型不关心数据是怎么生成的，它只关心信号之间的差别，然后用差别来简单对给定的一个信号进行分类。常见的判别模型有：KNN、SVM、LR，常见的生成模型有：朴素贝叶斯，隐马尔可夫模型。当然，这也是为什么很少有人问你朴素贝叶斯和LR以及朴素贝叶斯和SVM有什么区别（哈哈，废话是不是太多）。
二、SVM和LR的区别点
1、本质上是其loss function不同。
2、 支持向量机只考虑局部的边界线附近的点，而逻辑回归考虑全局（远离的点对边界线的确定也起作用）。
3、在解决非线性问题时，支持向量机采用核函数的机制，而LR通常不采用核函数的方法。
4、线性SVM依赖数据表达的距离测度，所以需要对数据先做normalization，LR不受其影响。
5、SVM的损失函数就自带正则！！！（损失函数中的$frac{1}{2}left | w
ight |^{2}$项），这就是为什么SVM是结构风险最小化算法的原因。而LR必须另外在损失函数上添加正则项，即在损失函数后面加 $frac{1}{2}left | heta
ight |^{2}$。
6、LR可以给出每个点属于每一类的概率，而SVM是非概率的。
参考：
https://blog.csdn.net/xiaocong1990/article/details/83004159