Data & ComputingMaschinelles LernenA-Level
AQAAPIBAbiturBachilleratoCambridgeCCEACESS

Logistische Funktion

Sigmoid-Aktivierungsfunktion.

Understand the formulaSee the free derivationOpen the full walkthrough
Open Full WalkthroughTry Calculator

This public page keeps the free explanation visible and leaves premium worked solving, advanced walkthroughs, and saved study tools inside the app.

Core idea

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.

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.

Symbols

Variables

(x) = Output (0-1), x = Input Value

Output (0-1)
Variable
Input Value
Variable

Walkthrough

Derivation

Formel: Logistische (Sigmoid-) Funktion

Die logistische Funktion bildet jede reale Eingabe auf einen Wert strikt zwischen 0 und 1 ab, sodass sie in der binären Klassifizierung als Wahrscheinlichkeit interpretiert werden kann.

  • Eingabe x ist eine beliebige reelle Zahl.
  • Die Ausgabe wird als Wahrscheinlichkeit der positiven Klasse interpretiert.
1

Angeben der Sigmoid-Funktion:

Exponentialfunktionen stellen sicher, dass der Nenner immer positiv ist, wodurch die Ausgabe in (0,1) bleibt.

2

Prüfen des Grenzverhaltens:

Große positive x machen winzig, während große negative x riesig machen, was den Bruch gegen 0 drückt.

Note: Bei x=0 ist (0)=1/2.

Result

Source: Standard curriculum — A-Level Data Science & Machine Learning

Free formulas

Rearrangements

Solve for

Nach x umstellen

Stelle die Gleichung nach x um.

Difficulty: 4/5

The static page shows the finished rearrangements. The app keeps the full worked algebra walkthrough.

Visual intuition

Graph

Graph type: sigmoid

Why it behaves this way

Intuition

Eine glatte, S-förmige Kurve, die jede reale Eingabe auf eine Ausgabe zwischen 0 und 1 abbildet und einen schrittweisen Übergang von einem Zustand in einen anderen darstellt.

Term
Die Ausgabe der logistischen Funktion, die eine Wahrscheinlichkeit oder ein Aktivierungsniveau darstellt.
Sie quantifiziert die Wahrscheinlichkeit eines bestimmten Ereignisses (z. B. Zugehörigkeit zur positiven Klasse), immer skaliert zwischen 0 und 1.
Term
Die Eingabe der Funktion, oft eine Linearkombination von Merkmalen in einem Machine-Learning-Modell.
Repräsentiert den 'Beweis' oder 'Score' für das positive Ergebnis. Ein höheres 'x' deutet auf einen stärkeren Beweis hin und drückt die Wahrscheinlichkeit näher an 1.

Signs and relationships

  • -x: Das negative Vorzeichen im Exponenten '' ist entscheidend für die S-Form. Wenn die Eingabe 'x' steigt, sinkt '-x', was dazu führt, dass '' gegen Null geht.
  • 1 + e^{-x}: Der Nenner stellt sicher, dass die Ausgabe '(x)' immer zwischen 0 und 1 begrenzt ist. Da '' immer positiv ist, ist '1 + ' immer größer als 1, was garantiert, dass der Bruch '1 / (1 + )' zwischen 0 und 1 liegt.

Free study cues

Insight

Canonical usage

Die logistische Funktion nimmt eine dimensionslose Eingabe und erzeugt eine dimensionslose Ausgabe, die typischerweise als Wahrscheinlichkeit oder als Wert zwischen 0 und 1 interpretiert wird.

Dimension note

Sowohl die Eingabe 'x' als auch die Ausgabe '(x)' der logistischen Funktion sind dimensionslos. Der Exponent von 'e' muss stets dimensionslos sein, und die Ausgabe der Funktion ist eine Wahrscheinlichkeit, ein Verhältnis ohne physikalische

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.

Where it shows up

Real-World Context

Im Kontext von Vorhersage der Wahrscheinlichkeit einer positiven Klasse wird Logistische Funktion verwendet, um Messwerte in einen interpretierbaren Wert zu übersetzen. Das Ergebnis ist wichtig, weil es hilft, Modellverhalten, Algorithmuskosten oder Vorhersagequalität vor der Nutzung des Ergebnisses zu bewerten.

Study smarter

Tips

  • Der Ausgabewert S ist genau 0.5, wenn der Eingabewert x gleich 0 ist.
  • Eingaben weit von null entfernt führen zu 'verschwindenden Gradienten', bei denen die Funktion sehr flach wird.
  • Normalisiere Eingabemerkmale immer, damit die Funktion nicht zu schnell bei 0 oder 1 sättigt.

Avoid these traps

Common Mistakes

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

Common questions

Frequently Asked Questions

Die logistische Funktion bildet jede reale Eingabe auf einen Wert strikt zwischen 0 und 1 ab, sodass sie in der binären Klassifizierung als Wahrscheinlichkeit interpretiert werden kann.

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.

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.

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

Im Kontext von Vorhersage der Wahrscheinlichkeit einer positiven Klasse wird Logistische Funktion verwendet, um Messwerte in einen interpretierbaren Wert zu übersetzen. Das Ergebnis ist wichtig, weil es hilft, Modellverhalten, Algorithmuskosten oder Vorhersagequalität vor der Nutzung des Ergebnisses zu bewerten.

Der Ausgabewert S ist genau 0.5, wenn der Eingabewert x gleich 0 ist. Eingaben weit von null entfernt führen zu 'verschwindenden Gradienten', bei denen die Funktion sehr flach wird. Normalisiere Eingabemerkmale immer, damit die Funktion nicht zu schnell bei 0 oder 1 sättigt.

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