線性回歸是回歸模型
感知器、邏輯回歸以及SVM是分類模型
線性回歸：f(x)=wx+b
感知器：f(x)=sign(wx+b)其中sign是個符號函數，若wx+b>=0取+1，若wx+b<0取-1
它的學習策略是最小化誤分類點到超平面的距離，
邏輯回歸：f(x)=sigmoid(wx+b)取值范圍在0-1之間。
感知器和SVM的對比：
它倆都是用於分類的模型，且都以sign符號函數作為分類決策函數。但是感知器只適用於線性可分的數據，而SVM可以通過核函數處理非線性可分的數據。拿感知器和線性可分支持向量機對比，他們的目標都是希望找到一個超平面能把數據分開，同時分類決策函數使用的都是sign符號函數，不同之處在於優化目標不同，感知機是通過最小化誤分類點到超平面的距離來對參數進行優化，從而確定這個超平面，而SVM是通過最大化支持向量距離超平面這個最小距離來對參數進行優化。
Logistic和SVM的區別：
SVM分為線性可分支持向量機，線性支持向量機以及非線性可分支持向量機，它還適用於對非線性可分的數據進行分類。Logistic回歸一般用於處理線性可分的數據。這里進行線性可分支持向量機和Logistic回歸的對比，SVM的目標是希望找到一個超平面能把數據分開，以sign符號函數作為分類決策函數，通過最大化支持向量距離超平面這個最小距離來對參數進行優化。邏輯回歸假設數據服從伯努利分布,以最大化條件概率為學習策略（優化目標），以對數似然函數為損失函數，運用梯度下降法來優化參數，以sigmoid函數作為分類決策函數。