相同

逻辑回归和朴素贝叶斯都是对条件概率进行建模，使得最终的分类结果有很好的解释性。

不同

具体流程

• 逻辑回归：
  假设满足逻辑函数
  
  其中，，即
  
  通过梯度下降最小化直接求解。
• 朴素贝叶斯：
  贝叶斯：
  不直接求解，先求解和，再通过贝叶斯公式
  
  求解。
  朴素：
  且其假设特征满足条件独立性：给定类别，不同维度的特征取值之间相互独立，即
  如果特征取离散值，可以直接根据训练数据统计出和。
  如果特征取连续值，需要假设的形式，如高斯分布，其对应值形式确定，根据训练数据利用MLE求解出和后，由和确定值。
  预测时，求解使得最大的作为最终的分类结果。

模型类别

逻辑回归是判别模型；朴素贝叶斯是生成模型。
判别模型的目标是找到一个最能够区分不同类的边界，它不在乎每一类中样本点是如何分布的；
生成模型首先对各类中的样本分布进行建模，
好处是需要的训练数据更少、对于噪声点更鲁棒(该点与假设不符合，可能是噪声点)、和可以来自不同的源。

如何取舍

当特征间满足条件独立性假设时，随着训练数据中样本个数的增加，在极限情况下，逻辑回归和高斯朴素贝叶斯分类结果一致。
高斯朴素贝叶斯的收敛速度比逻辑回归更快，
当训练数据中样本数目较小时，高斯朴素贝叶斯往往比逻辑回归表现得更好；
当样本数目较大时，由于逻辑回归的极限误差更低，它会比高斯朴素贝叶斯表现得更好。
与逻辑回归相比，朴素贝叶斯的方差更小，偏差更大。
比起逻辑回归来，朴素贝叶斯会较为受限于特征工程，当假设不成立时，假设会对分类的准确性造成负面的影响。