기계 학습의 시그모이드 함수 이해
로지스틱 함수라고도 알려진 시그모이드 함수는 실수 값을 0과 1 사이의 값으로 매핑합니다. 다음과 같이 정의됩니다.
sigmoid(x) = 1 / (1 + exp(-x))
여기서 exp는 지수 함수. 시그모이드 함수에는 출력이 0에서 시작하여 처음에는 천천히 증가하다가 입력이 증가함에 따라 더 빠르게 증가한 후 1에서 안정되는 S자 모양의 곡선이 있습니다. 이 S자 모양의 곡선을 사용하면 시그모이드가 다음과 같은 이진 결과를 모델링할 수 있습니다. 성공 또는 실패, 예 또는 아니오 등으로 표시됩니다.
시그모이드 함수는 기계 학습, 특히 로지스틱 회귀에서 많은 응용 프로그램을 사용하며 하나 이상의 예측 변수를 기반으로 이진 결과의 확률을 모델링하는 데 사용됩니다. 또한 모델에 비선형성을 도입하고 모델이 입력과 출력 간의 보다 복잡한 관계를 학습하는 데 사용되는 신경망에서도 사용됩니다.
이 동영상이 마음에 듭니다.
이 동영상이 마음에 들지 않습니다.
콘텐츠 오류 보고
공유
"시그모이드"라는 용어는 실수를 0과 1 사이의 값으로 매핑하는 수학 함수 유형을 의미합니다. 이러한 유형의 함수는 기계 학습, 특히 로지스틱 회귀의 맥락에서 모델링에 사용되는 경우가 많습니다. 일부 입력 특성이 주어지면 이벤트가 발생할 확률입니다.
시그모이드 함수의 가장 일반적인 예는 다음과 같이 정의되는 로지스틱 함수입니다.
sigmoid(x) = 1 / (1 + exp(-x))
여기서 "exp"는 지수 함수. 로지스틱 함수는 실수를 0과 1 사이의 값으로 매핑하여 성공이나 실패, 예 또는 아니요 등과 같은 이진 결과를 모델링하는 데 유용합니다. 확률 집합을 정규화하여 합이 1이 되도록 하는 처리, 모델에 비선형성을 도입하기 위해 신경망에서 사용되는 tanh 함수. 일반적으로 시그모이드 함수는 이진 결과를 모델링해야 할 때 유용합니다. 이는 여러 입력 기능의 영향을 받습니다. 또한 입력 특성과 출력 변수 간의 보다 복잡한 관계를 모델링하는 데에도 사용할 수 있습니다.
이 동영상이 마음에 듭니다.
이 동영상이 마음에 들지 않습니다.
콘텐츠 오류 보고
공유
시그모이드는 실수 값을 0과 1 사이의 값으로 매핑하는 수학 함수입니다. 기계 학습 모델, 특히 로지스틱 회귀의 맥락에서 자주 사용됩니다. 여기서는 특정 사건이 발생할 확률을 모델링하는 데 사용됩니다. 일부 입력 기능. 함수는 다음과 같이 정의됩니다.
sigmoid(x) = 1 / (1 + exp(-x))
여기서 exp는 지수 함수입니다. 시그모이드 함수에는 출력이 0에서 시작하여 처음에는 천천히 증가하다가 입력이 증가함에 따라 더 빠르게 증가한 후 1에서 안정되는 S자 모양의 곡선이 있습니다. 이 S자 모양의 곡선을 사용하면 시그모이드가 다음과 같은 이진 결과를 모델링할 수 있습니다. 0과 1, 예와 아니오 등.
Sigmoidally는 단순히 S자형 함수와 관련되거나 이를 사용하는 것을 의미합니다. 기계 학습의 맥락에서 시그모이드 함수를 사용하여 이진 결과를 예측하는 모델을 시그모이드 방식으로 훈련되었다고 합니다.
이 동영상이 마음에 듭니다.
이 동영상이 마음에 들지 않습니다.
콘텐츠 오류 보고
공유
