【机器学习】机器学习的基本分类-监督学习-逻辑回归-Sigmoid 函数

最新推荐文章于 2025-04-30 23:38:04 发布

IT古董

最新推荐文章于 2025-04-30 23:38:04 发布

阅读量1.7k

点赞数 11

CC 4.0 BY-SA版权

分类专栏：人工智能机器学习文章标签：机器学习分类学习逻辑回归 sigmoid 人工智能 python

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/IT_ORACLE/article/details/144129671

Sigmoid 函数是一种常用的激活函数，尤其在神经网络和逻辑回归中扮演重要角色。它将输入的实数映射到区间 (0, 1)，形状类似于字母 "S"。

1. 定义与公式

Sigmoid 函数的公式为：

$\sigma(x) = \frac{1}{1 + e^{-x}}$

特点

输出范围：(0, 1)，适合用于概率预测。
单调性：是一个单调递增函数。
对称性：以 x = 0 为中心，对称于 y = 0.5。

2.Sigmoid 函数的推导过程

2-1. 目标与需求

我们希望构造一个函数 f(x) 满足以下性质：

输出范围：f(x) 的值限定在区间 (0, 1)，便于解释为概率。
平滑性：函数连续且可导，以便使用梯度下降进行优化。
单调性：函数值随着输入 x 的增大而增大。
对称性：以 x = 0 为对称中心，输入为 0 时，输出为 0.5，表示不偏不倚的概率。

2-2. 构造 Sigmoid 函数

为了满足这些性质，可以使用指数函数 $e^x$ 的形式，因为指数函数本身是平滑的、单调递增的。

构造输出范围

首先，为了限制输出范围在 (0, 1)，我们构造如下函数：

$f(x) = \frac{1}{1 + g(x)}$

其中 g(x) > 0 保证分母大于 1，因此 f(x) 始终在 (0, 1)。

选择 $g(x) = e^{-x}$ ，得到：

$f(x) = \frac{1}{1 + e^{-x}}$

性质验证

输出范围：

最低0.47元/天解锁文章

200万优质内容无限畅学

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。