總結起來，有以下幾點不同：

(1)     Naive Bayes是一個生成模型，在計算P(y|x)之前，先要從訓練資料中計算P(x|y)和P(y)的概率，從而利用貝葉斯公式計算P(y|x)。

         Logistic Regression是一個判別模型，它通過在訓練資料集上最大化判別函式P(y|x)學習得到，不需要知道P(x|y)和P(y)。

(2)    Naive Bayes是建立在條件獨立假設基礎之上的，設特徵X含有n個特徵屬性（X1，X2，...Xn），那麼在給定Y的情況下，X1，X2，...Xn是條件獨立的。

       如果要判定X屬於哪一類，可以這樣計算：

      Logistic Regression的限制則要寬鬆很多，如果資料滿徐條件獨立假設，Logistic Regression能夠取得非常好的效果；當資料不滿度條件獨立假設時，Logistic Regression仍然能夠通過調整引數讓模型最大化的符合資料的分佈，從而訓練得到在現有資料集下的一個最優模型。

 (3)    當資料集比較小的時候，應該選用Naive Bayes，為了能夠取得很好的效果，資料的需求量為O(log n)

          當資料集比較大的時候，應該選用Logistic Regression，為了能夠取得很好的效果，資料的需求量為O( n)

    Naive Bayes運用了比較嚴格的條件獨立假設，為了計算P(y|x)，我們可以利用統計的方法統計資料集中P(x|y)和P(y)出現的次數，從而求得P(x|y)和P(y)。因而其所需的資料量要小一些，為O(log n).

     Logistic Regression在計算時，是在整個引數空間進行線性搜尋的，需要的資料集就更大，為O( n)

另外解釋一下線性分類器的概念：

參考：

(1)  GENERATIVE AND DISCRIMINATIVE CLASSIFIERS:NAIVE BAYES AND LOGISTIC REGRESSION

(2)  Logistic Regression and Naive Bayes (Rob)