我对 SVM 的理解是它与逻辑回归（LR）非常相似，即将特征的加权和传递给 sigmoid 函数以获得属于某个类的概率，而不是交叉熵（逻辑）损失函数，训练是使用铰链损失进行的。使用铰链损失的好处是可以使用各种数值技巧来提高核化效率。然而，一个缺点是生成的模型比相应的 LR 模型具有的信息更少。因此，例如，如果没有核化（使用线性核），SVM 决策边界仍将位于 LR 输出概率为 0.5 的同一位置，但无法判断属于某个类的概率从决策边界。
我的两个问题是：
SVM 不会向 sigmoid 函数提供任何内容。它为数据拟合一个分离的超平面，试图将训练集中的所有数据点放在一侧，将另一类的所有点放在另一侧。因此，它会根据您的特征向量在哪一侧来分配类。更正式地说，如果我们将特征向量表示为和超平面系数为和截距，那么类分配是. 求解 SVM 等于找到以最大可能的余量最小化铰链损失。因此，因为 SVM 只关心你在超平面的哪一侧，所以你不能将它的类分配转换为概率。
在线性 SVM（无核）的情况下，决策边界边界将类似于逻辑回归模型的边界边界，但可能会根据您用于拟合 SVM 的正则化强度而有所不同。因为 SVM 和 LR 解决不同的优化问题，所以不能保证您有相同的决策边界解决方案。