逻辑斯蒂回归主要用于二分类，推广到多分类的话是类似于softmax分类。求
上述问题可以通过最大化似然函数求解。
上述问题可以采用最小化logloss进行求解。
一般地，我们还需要给目标函数加上正则项，参数w加上l1或者l2范数。
LR适合大规模数据，数据量太小的话可能会欠拟合（考虑到数据通常比较稀疏）。另外，我们可以将连续型属性转化成离散型属性，这样可以提升模型的鲁棒性，防止模型过拟合。
LR和SVM的异同点
相同点
1.他们都是分类算法，是监督学习算法。
2.如果不考虑核函数，LR和SVM都是线性分类算法，他们的分类决策面是线性的。
3.LR和SVM都是判别模型。
不同点
1.目标函数不同：LR最小化logloss或者极大化似然函数，SVM最大化几何间隔，支持向量离超平面越远越好。最后SVM的目标函数可以写成如下拉格朗日函数：
SVM只考虑局部的边界线附近的点（支持向量），LR考虑全局的点，远离边界线的点也起作用。LR适合大型数据集，SVM适合中小型数据集。
2.解决非线性问题时，SVM采用核函数，而LR不采用核函数的方法，一般需要对数据进行预处理（高阶特征）。
3.线性SVM依赖数据表达的距离测量，需要先对数据做标准化处理，而LR不受影响。为了加快收敛速度，LR通常也会先对数据做标准化处理。
4.SVM的损失函数自带正则，即$\frac{1}{2}||w||^2$，因此SVM是结构风险最小化算法。LR是经验风险最小化算法，需要在损失函数上添加正则项。