一种有趣的方法求sigmoid导数

我相信了解sigmoid函数的朋友都能很容易求出sigmoid的导数,今天我这个文章是想记录网上看到的一种我之前没想过的思路:解方程求导。

首先写一下sigmoid。令S(x)=sigmoid函数,有:
S ( x ) = 1 1 + e − x S(x)=\frac{1}{1+e^{-x}} S(x)=1+ex1
令f(x)=S(x)的倒数:
f ( x ) = 1 S ( x ) = 1 + e − x f(x)=\frac{1}{S(x)}=1+e^{-x} f(x)=S(x)1=1+e

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
逻辑回归本质上是线性回归模型,在特征和结果的映射中加入了一层函数映射。这个函数映射将特征值线性和的结果映射到0和1的范围上,从而得到离散的分类结果。 为什么选择sigmoid函数作为逻辑回归的映射函数呢?有以下几个原因: 1)对于逻辑回归模型,我们的目标是最大化条件似然度。我们想要得到给定输入特征x时,类标记y=1出现的概率p(y=1|x;w)。sigmoid函数可以将输入特征x与权重w的线性组合映射到一个条件概率上,从而表示类标记为1的置信度。 2)sigmoid函数具有一些很好的数学性质,比如单调上升和连续可导。 3)sigmoid函数的导数具有特殊的性质,这使得我们在使用梯度下降等优化算法时更容易解。 总结起来,逻辑回归选择sigmoid函数作为映射函数是因为sigmoid函数可以将线性和的结果映射到0和1之间的概率,具有良好的数学性质,并且在优化算法中易于解。 逻辑回归是一种分类算法,与回归方法有一定的联系,但是逻辑回归主要用于解决分类问题。在逻辑回归中,通过将标量wx+b通过sigmoid函数映射到(0,1)的范围上,然后将其划分为两个类别,通常是0和1。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [逻辑回归](https://blog.csdn.net/qq_36890572/article/details/80220078)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [机器学习-逻辑回归分析(Python)](https://download.csdn.net/download/weixin_38637272/15439025)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [逻辑回归、激活函数sigmoid、损失及优化、案例代码实现](https://blog.csdn.net/qq_43874317/article/details/128283780)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值