Die Sigmoid-Funktion presst Werte in den Bereich zwischen 0 und 1 und eignet sich für Wahrscheinlichkeiten oder binäre Entscheidungen.
Die Sigmoid-Funktion ist definiert als 1 / (1 + e^{-x}). Sie transformiert beliebige Eingaben in eine S-Kurve. In neuronalen Netzen kommt sie in der letzten Schicht für binäre Klassifikation oder als Bestandteil von LSTM-Gates zum Einsatz.
Eigenschaften
- Glatte Ableitung: Eignet sich für Gradientenverfahren.
- Saturierung: Bei großen Beträgen flacht die Kurve ab – Gradienten werden kleiner.
- Interpretation: Ausgaben lassen sich direkt als Wahrscheinlichkeit verstehen.