La regresión logística y SVM a menudo dan resultados similares. SVM cuesta más entrenar que la regresión logística, por lo que parece que no hay una razón obvia para usar SVM. De hecho, en la industria, la regresión logística es el algoritmo más utilizado.
La razón por la que la regresión logística y la SVM tienen un rendimiento similar es que los datos de entrenamiento son linealmente separables, lo que ocurre con mucha frecuencia. Por tanto, no es necesario proyectar el valor a una dimensión superior para separarlos.
En algunas situaciones, SVM puede funcionar mucho mejor que la regresión logística. Por ejemplo, cuando el tamaño de la muestra de entrenamiento es relativamente pequeño y hay muchas funciones. En este caso, si el conjunto de datos no es linealmente separable, SVM puede conducir a un mejor rendimiento.
