Fonction logistique Calculator

Formula first

Overview

La fonction logistique, couramment appelée fonction sigmoïde, transforme toute entrée réelle en une plage contrainte entre 0 et 1. En apprentissage automatique, elle sert de fonction d'activation fondamentale pour la classification binaire et les réseaux de neurones, en transformant des combinaisons linéaires en probabilités.

Symbols

Variables

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

Apply it well

When To Use

When to use: Utilisez cette fonction lors d'une classification binaire pour prédire la probabilité d'une classe spécifique. Elle est particulièrement efficace lorsque la relation entre les caractéristiques et le résultat cible suit une courbe en S plutôt qu'une tendance linéaire.

Why it matters: Elle permet aux modèles de donner des interprétations probabilistes de données continues, ce qui est essentiel pour les systèmes d'évaluation des risques et de prise de décision. Sa nature différentiable la rend aussi indispensable pour l'optimisation par descente de gradient utilisée dans l'entraînement de réseaux de neurones complexes.

Avoid these traps

Common Mistakes

• Oublier le signe négatif dans e^-x.
• Traiter la sortie comme non bornée.

One free problem

Practice Problem

Un neurone dans un modèle d'apprentissage profond reçoit une somme pondérée (logit) de 0. Calculez l'activation de sortie S en utilisant la fonction logistique.

Hint: Toute base non nulle élevée à la puissance 0 vaut 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