激活函数作用：
将权值结果转化成分类结果。常用于
- 逻辑回归(Logistic Regression)
- 神经网络(Neural Network)
这两处，激活函数都用于计算一个线性函数的结果。
-
sigmoid函数 ：
在机器学习中可用在分类问题上，如逻辑回归模型分类器，将输出值映射到（0,1）
总和为1，可以从概率角度理解，则输出时选择值最大的（概率最大）作为预测值
Sigmoid函数的导数是其本身的函数，即 f ′ (x)=f(x) (1−f(x) )
激活函数在机器学习和深度学习中起着至关重要的作用，它们将权值结果转化为分类输出。Sigmoid用于二分类问题，其输出值在0到1之间，适合概率解释。Softmax用于多分类，同样将输出映射到概率分布。ReLU因其简单和防止梯度消失而受到青睐，特别是在深层网络中。不同的激活函数如tanh、Log-sigmoid和tansig在不同场景下各有优势，如线性关系、非线性关系或阈值判断。在BP神经网络中，sigmoid和线性函数的组合常见于不同层。
最低0.47元/天 解锁文章
扫一扫
3527
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
