非常接近，但不完全是。Georgios Drakos 的这篇文章从数学和视觉上解决了这个问题。这是帖子中的一张图片：

它比较了软边距支持向量机(SVM) 和逻辑回归(LR)。

如果数据在训练、验证和测试期间是完全可分离的，那么是的，这两种算法的性能相同。他们都将找到分离数据的最佳决策边界。

它们不是唯一会画出这种边界的算法。与许多其他算法一样，线性判别式也将等效地执行。SVC 和 LR 并没有什么特别之处，他们和其他人都在试图找到一种以最有意义（即最小错误）的方式划分数据的方法。

但是，在野外很少发现完全可分离的数据。确实，如果数据是可分离的，那么您可能只需要自己定义一个决策边界（即 if x>5、y=1else y=0）并获得完美的性能而无需进行优化。一旦数据不能完全分离，您就会发现算法如何分离数据的差异。你说 SVC 试图找到数据之间的最大边距是正确的，当它不完美时，他们将使用损失函数（通常是铰链损失）来帮助引导超平面以最小化错误分类的数量。LR 根据概率工作，这有点不同，但通常表现相似。

SVM 是一种基于核的方法，其核心是分类是二元的，并且服从 Mercer 的点积条件。此外，SVM 有各种内核，如“线性”、“多边形”和“径向基函数”内核。

通常，现实世界中没有一个数据集是线性可分的。即使是基数变化或降维有时也无法将其带到线性空间。

在最后一层的神经网络中，应用逻辑回归比使用 SVM 更受欢迎。