Logistische Funktion Calculator

Formula first

Overview

Die logistische Funktion, allgemein als Sigmoid-Funktion bekannt, bildet jeden reellwertigen Eingang auf einen eingeschränkten Bereich zwischen 0 und 1 ab. Im maschinellen Lernen dient sie als grundlegende Aktivierungsfunktion für binäre Klassifikation und neuronale Netze und transformiert lineare Kombinationen in Wahrscheinlichkeiten.

Symbols

Variables

$\sigma$(x) = Output (0-1), x = Input Value

Apply it well

When To Use

When to use: Verwende diese Funktion bei binärer Klassifikation, um die Wahrscheinlichkeit einer bestimmten Klasse vorherzusagen. Sie ist besonders wirksam, wenn die Beziehung zwischen den Merkmalen und dem Zielergebnis einer S-förmigen Kurve statt eines linearen Trends folgt.

Why it matters: Sie ermöglicht Modellen, kontinuierliche Daten probabilistisch zu interpretieren, was für Risikoabschätzung und Entscheidungssysteme unerlässlich ist. Aufgrund ihrer Differenzierbarkeit ist sie auch für die Gradientenabstiegsoptimierung beim Training komplexer neuronaler Netze von zentraler Bedeutung.

Avoid these traps

Common Mistakes

• Das Minuszeichen in e^-x vergessen.
• Die Ausgabe als unbegrenzt behandeln.

One free problem

Practice Problem

Ein Neuron in einem Deep-Learning-Modell erhält eine gewichtete Summe (Logit) von 0. Berechne die Ausgabeaktivierung S mit der logistischen Funktion.

Hint: Jede von null verschiedene Basis hoch 0 ergibt 1.

The full worked solution stays in the interactive walkthrough.

Keep going

Related Formulas

References

Sources

1. Wikipedia: Logistic function
2. Deep Learning by Ian Goodfellow, Yoshua Bengio, Aaron Courville
3. Wikipedia: Sigmoid function
4. Ian Goodfellow, Yoshua Bengio, Aaron Courville Deep Learning
5. Christopher M. Bishop Pattern Recognition and Machine Learning
6. Trevor Hastie, Robert Tibshirani, Jerome Friedman The Elements of Statistical Learning
7. Standard curriculum — A-Level Data Science & Machine Learning