Lojistik Fonksiyon
Sigmoid aktivasyon fonksiyonu.
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
Genel olarak sigmoid fonksiyonu olarak bilinen lojistik fonksiyon, herhangi bir gerçek değerli girdiyi 0 ile 1 arasındaki sınırlı bir aralığa eşler. Makine öğreniminde, ikili sınıflandırma ve sinir ağları için temel aktivasyon fonksiyonu olarak hizmet eder, doğrusal kombinasyonları olasılıklara dönüştürür.
When to use: Belirli bir sınıfın olasılığını tahmin etmek için ikili sınıflandırma yaparken bu fonksiyonu kullanın. Özellikler ile hedef sonuç arasındaki ilişkinin doğrusal bir eğilim yerine S şeklinde bir eğriyi takip etmesi durumunda özellikle etkilidir.
Why it matters: Modellerin sürekli verilerin olasılıksal yorumlarını yapmasına olanak tanır, bu da risk değerlendirmesi ve karar verme sistemleri için esastır. Türevlenebilir yapısı, karmaşık sinir ağlarının eğitiminde kullanılan gradyan inişi optimizasyonu için de hayati öneme sahiptir.
Symbols
Variables
(x) = Output (0-1), x = Input Value
Walkthrough
Derivation
Formül: Lojistik (Sigmoid) Fonksiyonu
Lojistik fonksiyon, herhangi bir gerçek girdiyi 0 ile 1 arasındaki kesin bir değere eşler, böylece ikili sınıflandırmada olasılık olarak yorumlanabilir.
- Girdi x herhangi bir reel sayıdır.
- Çıktı, pozitif sınıfın olasılığı olarak yorumlanır.
Sigmoid fonksiyonunu belirtin:
Üslü sayılar, paydanın her zaman pozitif olmasını sağlar ve çıktıyı (0,1) içinde tutar.
Sınır davranışını kontrol edin:
Büyük pozitif x, 'i küçültürken, büyük negatif x, 'i büyütür ve kesri 0'a doğru iter.
Note: x=0'da, (0)=1/2'dir.
Result
Source: Standard curriculum — A-Level Data Science & Machine Learning
Free formulas
Rearrangements
Solve for
x değişkenini yalnız bırak
Denklemi x değişkenini yalnız bırakacak şekilde yeniden düzenle.
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
Herhangi bir reel girdiyi 0 ile 1 arasındaki bir çıktıya eşleyen, bir durumdan diğerine yumuşak bir geçişi temsil eden pürüzsüz, S şeklinde bir eğri.
Signs and relationships
- -x: Üs '' içindeki eksi işareti, S şekli için çok önemlidir. 'x' girdisi arttıkça, '-x' azalır ve bu da ''in sıfıra yaklaşmasına neden olur.
- 1 + e^{-x}: Payda, çıktının '(x)' her zaman 0 ile 1 arasında sınırlandığından emin olur. '' her zaman pozitif olduğundan, '1 + ' her zaman 1'den büyüktür, bu da '1 / (1 + )' kesrinin
Free study cues
Insight
Canonical usage
The logistic function takes a dimensionless input and produces a dimensionless output, typically interpreted as a probability or a value between 0 and 1.
Dimension note
Both the input 'x' and the output '(x)' of the logistic function are dimensionless. The exponent of 'e' must always be dimensionless, and the function's output is a probability, which is a ratio without physical
One free problem
Practice Problem
Derin öğrenme modelindeki bir nöron, 0 ağırlıklı bir toplam (logit) alır. Lojistik fonksiyonu kullanarak çıktı aktivasyonu S'yi hesaplayın.
Hint: 0 dışındaki herhangi bir tabanın 0'ıncı kuvveti 1'dir.
The full worked solution stays in the interactive walkthrough.
Where it shows up
Real-World Context
Pozitif bir sınıfın olasılığını tahmin etme bağlamında Lojistik Fonksiyon, ölçümleri yorumlanabilir bir değere dönüştürmek için kullanılır. Sonuç önemlidir çünkü çıktıya güvenmeden önce model davranışını, algoritma maliyetini veya tahmin kalitesini değerlendirmeye yardımcı olur.
Study smarter
Tips
- Girdi x 0 olduğunda çıktı S tam olarak 0.5'tir.
- Sıfırdan uzak girdiler, fonksiyonun çok düz hale geldiği 'kaybolan gradyanlara' yol açar.
- Fonksiyonun çok hızlı bir şekilde 0 veya 1'de doygunluğa ulaşmasını önlemek için girdi özelliklerini her zaman normalleştirin.
Avoid these traps
Common Mistakes
- e^-x'deki eksi işaretini unutmak.
- Çıktıyı sınırsız olarak ele almak.
Common questions
Frequently Asked Questions
Lojistik fonksiyon, herhangi bir gerçek girdiyi 0 ile 1 arasındaki kesin bir değere eşler, böylece ikili sınıflandırmada olasılık olarak yorumlanabilir.
Belirli bir sınıfın olasılığını tahmin etmek için ikili sınıflandırma yaparken bu fonksiyonu kullanın. Özellikler ile hedef sonuç arasındaki ilişkinin doğrusal bir eğilim yerine S şeklinde bir eğriyi takip etmesi durumunda özellikle etkilidir.
Modellerin sürekli verilerin olasılıksal yorumlarını yapmasına olanak tanır, bu da risk değerlendirmesi ve karar verme sistemleri için esastır. Türevlenebilir yapısı, karmaşık sinir ağlarının eğitiminde kullanılan gradyan inişi optimizasyonu için de hayati öneme sahiptir.
e^-x'deki eksi işaretini unutmak. Çıktıyı sınırsız olarak ele almak.
Pozitif bir sınıfın olasılığını tahmin etme bağlamında Lojistik Fonksiyon, ölçümleri yorumlanabilir bir değere dönüştürmek için kullanılır. Sonuç önemlidir çünkü çıktıya güvenmeden önce model davranışını, algoritma maliyetini veya tahmin kalitesini değerlendirmeye yardımcı olur.
Girdi x 0 olduğunda çıktı S tam olarak 0.5'tir. Sıfırdan uzak girdiler, fonksiyonun çok düz hale geldiği 'kaybolan gradyanlara' yol açar. Fonksiyonun çok hızlı bir şekilde 0 veya 1'de doygunluğa ulaşmasını önlemek için girdi özelliklerini her zaman normalleştirin.
References
Sources
- Wikipedia: Logistic function
- Deep Learning by Ian Goodfellow, Yoshua Bengio, Aaron Courville
- Wikipedia: Sigmoid function
- Ian Goodfellow, Yoshua Bengio, Aaron Courville Deep Learning
- Christopher M. Bishop Pattern Recognition and Machine Learning
- Trevor Hastie, Robert Tibshirani, Jerome Friedman The Elements of Statistical Learning
- Standard curriculum — A-Level Data Science & Machine Learning