Fonction logistique
Fonction d'activation sigmoïde.
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
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.
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.
Symbols
Variables
(x) = Output (0-1), x = Input Value
Walkthrough
Derivation
Formule : Fonction logistique (Sigmoïde)
La fonction logistique projette n'importe quelle entrée réelle vers une valeur strictement comprise entre 0 et 1, de sorte qu'elle peut être interprétée comme une probabilité dans une classification binaire.
- L'entrée x est n'importe quel nombre réel.
- La sortie est interprétée comme une probabilité de la classe positive.
Énoncer la fonction sigmoïde :
Les exponentielles garantissent que le dénominateur est toujours positif, maintenant la sortie dans l'intervalle (0,1).
Vérifier le comportement aux limites :
Un x positif élevé rend minuscule, tandis qu'un x négatif élevé rend immense, poussant la fraction vers 0.
Note: À x=0, (0)=1/2.
Result
Source: Standard curriculum — A-Level Data Science & Machine Learning
Free formulas
Rearrangements
Solve for
Isoler x
Réarrange l'équation pour isoler x.
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
Une courbe lisse en forme de S qui projette toute entrée réelle vers une sortie comprise entre 0 et 1, représentant une transition progressive d'un état à un autre.
Signs and relationships
- -x: Le signe négatif dans l'exposant '' est crucial pour la forme en S. À mesure que l'entrée 'x' augmente, '-x' diminue, provoquant l'approche de '' vers zéro.
- 1 + e^{-x}: Le dénominateur garantit que la sortie '(x)' est toujours bornée entre 0 et 1. Puisque '' est toujours positif, '1 + ' est toujours supérieur à 1, ce qui garantit que la fraction '1 / (1 + )' est comprise entre 0 et 1.
Free study cues
Insight
Canonical usage
La fonction logistique prend une entrée adimensionnelle et produit une sortie adimensionnelle, généralement interprétée comme une probabilité ou une valeur entre 0 et 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
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.
Where it shows up
Real-World Context
Dans le contexte de Prédire la probabilité d'une classe positive, Fonction logistique sert à transformer les mesures en une valeur interprétable. Le résultat est important parce qu'il aide à évaluer le comportement du modèle, le coût de l'algorithme ou la qualité de la prédiction avant d'utiliser le résultat.
Study smarter
Tips
- La sortie S vaut exactement 0,5 lorsque l'entrée x vaut 0.
- Des entrées éloignées de zéro entraînent des « gradients qui s'annulent » où la fonction devient très plate.
- Normalisez toujours les caractéristiques d'entrée pour éviter que la fonction ne se sature trop rapidement à 0 ou 1.
Avoid these traps
Common Mistakes
- Oublier le signe négatif dans e^-x.
- Traiter la sortie comme non bornée.
Common questions
Frequently Asked Questions
La fonction logistique projette n'importe quelle entrée réelle vers une valeur strictement comprise entre 0 et 1, de sorte qu'elle peut être interprétée comme une probabilité dans une classification binaire.
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.
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.
Oublier le signe négatif dans e^-x. Traiter la sortie comme non bornée.
Dans le contexte de Prédire la probabilité d'une classe positive, Fonction logistique sert à transformer les mesures en une valeur interprétable. Le résultat est important parce qu'il aide à évaluer le comportement du modèle, le coût de l'algorithme ou la qualité de la prédiction avant d'utiliser le résultat.
La sortie S vaut exactement 0,5 lorsque l'entrée x vaut 0. Des entrées éloignées de zéro entraînent des « gradients qui s'annulent » où la fonction devient très plate. Normalisez toujours les caractéristiques d'entrée pour éviter que la fonction ne se sature trop rapidement à 0 ou 1.
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