首先说一下两种学习方式： lazy learning  和  eager learning。

先说 eager learning, 这种学习方式是指在进行某种判断（例如，确定一个点的分类或者回归中确定某个点对应的函数值）之前，先利用训练数据进行训练得到一个目标函数，待需要时就只利用训练好的函数进行决策，这是一种一劳永逸的方法， SVM 就属于这种学习方式；

而 lazy learning 是指只有到了需要决策时才会利用已有数据进行决策，而在这之前不会经历eager learning 所拥有的训练过程， KNN 属于这种方式。

 

Eager learning 考虑到了所有训练样本，说明它是一个全局的近似，优点是虽然它需要耗费训练时间，可是它的决策时间基本为 0。

Lazy learning 在决策时虽然需要计算所有样本与查询点的距离，但是在真正做决策时却只用了局部的几个训练数据，所以它是一个局部的近似，然而虽然不需要训练，它的复杂度还是需要 O(n),n 是训练样本的个数。

Lazy learning 的缺点： 1.  需要的存储空间比较大  2. 决策过程比较慢。

 

针对全局和局部的问题，我想了一个实际的例子。假设，现在我们要针对中国各地区的贫富问题进行划分，已经知道西部大部分地方比较贫穷，少部分地方富裕；而东部大部分地方富裕，少部分地方贫穷。首先，我们使用 SVM进行求解，按照 SVM 的思想，最后的结果一定是沿着中国地图无情的划一条线，而用KNN 时，东部城市中北京，上海等算是富裕的，而菏泽啊这样的就不太富裕；西部呢，像成都啊（不知道算不算西部，就假设算吧）算是富裕的，西宁啊这样的算是不太富裕的。

使用应用KNN算法时，我们无法对预测的误差有一个统计意义上的估计，结果的波动可能很大，这通常不是我们希望看到的。但是KNN的实现简单，使用灵活，也有自己的用武之地。

 

参考：

 

因此：

SVM需要训练过程，预测效率高。

KNN计算复杂度高，但是需要调的参比较小。

 

 

至于

逻辑回归和SVM，一个统计的方法，一个几何的方法，逻辑回归对于每一个样本都有考虑，而SVM只考虑了支持向量。

同样的线性分类情况下，如果异常点较多的话，无法剔除，由于LR中每个样本都是有贡献的，因此分类效果会受到影响，可能存在过拟合。

LR模型找到的那个超平面，是尽量让所有点都远离他，而SVM寻找的那个超平面，是只让最靠近中间分割线的那些点尽量远离，即只用到那些支持向量的样本。

 

理由：因为训练样本数量特别大，使用复杂核函数的SVM会导致运算很慢，因此应该考虑通过引入更多特征，然后使用线性核函数的SVM或者lr来构建预测性更好的模型。

SVM有多种核可以选择，可以处理各种非线性问题（条件是选对核函数）。大多数情况准确率都比LR要高，但是模型较大，训练效率低。