分类是数据分析与机器学习领域的基本问题之一,国内外学者对分类算法的研究已有大量的成果。Logistic回归模型是一种应用最为广泛的多元量化分析技术,其特点是稳健性好,模型的可解释性较强。支持向量机(SVM)是由Vapnik提出的统计学习理论发展而来,它在处理小样本、非线性以及高维数等问题时具有一些独特的优势。目前,SVM已经成为机器学习领域的研究热点。传统的Logistic回归用于二分类的方法一般以0.5为分界点,这样可能存在较大的误判风险,尤其是对于0.5附近模糊区间的样本点。针对logistic回归处理分类问题的不足,本文将支持向量机引入到传统的Logistic回归分类方法中,利用支持向量机的输出结果为Logistic回归提供支持信念,减少Logistic回归中的误判风险,从而提高分类的正确率。本文首先概述了Logistic回归模型的原理、推导和检验,接着详细介绍了支持向量机及其相关理论,包括机器学习的基本理论、统计学习理论、SVM分类算法以及模型参数的选择等。然后,在深入分析Logistic回归和支持向量机理论的基础上,本文构造了一种集成Logistic回归与支持向量机的二分类算法。实证分析表明,本文提出的集成算法具有较好的分类效果。最后,对全文进行了总结,并指出了有待进一步研究的问题。