Sigmoidfunktion

aus Wikipedia, der freien Enzyklopädie

Dieser Artikel wurde auf der Qualitätssicherungsseite des Portals Mathematik eingetragen. Dies geschieht, um die Qualität der Artikel aus dem Themengebiet Mathematik auf ein akzeptables Niveau zu bringen. Dabei werden Artikel gelöscht, die nicht maßgeblich verbessert werden können. Hilf mit, die inhaltlichen Mängel dieses Artikels zu beseitigen, und beteilige dich an der Diskussion.

Die logistische Kurve

Eine Sigmoidfunktion (auch "Schwanenhalsfunktion" oder S-shaped function genannt) ist eine mathematische Funktion mit einem S-förmigen Schaubild. Oft wird der Begriff Sigmoidfunktion auf den Spezialfall logistische Funktion bezogen, die durch die folgende Gleichung beschrieben wird:

$\rm{sig}(t) = \frac{1}{1 + \rm e^{-t}}$

Die Umkehrfunktion dieser Funktion ist:

$\rm{sig}^{-1}(y) = -\rm{ln}\left(\frac{1}{y}-1\right)$

[Bearbeiten] Sigmoidfunktionen im Allgemeinen

Im Allgemeinen ist eine Sigmoidfunktion eine beschränkte und differenzierbare reelle Funktion mit einer durchweg positiven oder durchweg negativen ersten Ableitung und genau einem Wendepunkt.

Außer der logistischen Funktion enthält die Menge der Sigmoidfunktionen den Arkustangens, den Tangens Hyperbolicus und die Fehlerfunktion, die sämtlich transzendent sind, aber auch einfache algebraische Funktionen wie $f(x)=\tfrac x\sqrt{1+x^2}$ . Das Integral jeder stetigen, positiven Funktion mit einem "Berg" (genauer: mit genau einem lokalen Maximum und keinem lokalen Minimum, z. B. die Gaussche Glockenkurve) ist ebenfalls eine Sigmoidfunktion. Daher sind viele kumulierte Verteilungsfunktionen sigmoidal.

[Bearbeiten] Sigmoidfunktionen in Neuronalen Netzwerken

Sigmoidfunktionen werden oft in künstlichen neuronalen Netzen als Aktivierungsfunktion verwendet, da der Einsatz von differenzierbaren Funktionen die Verwendung von Lernmechanismen, wie zum Beispiel dem Backpropagation Algorithmus, ermöglicht. Als Aktivierungsfunktion eines künstlichen Neurons wird die Sigmoidfunktion auf die Summe der gewichteten Eingabewerte angewendet um die Ausgabe des Neurons zu erhalten.

Die Sigmoidfunktion wird vor allem aufgrund ihrer einfachen Differenzierbarkeit als Aktivierungsfunktion bevorzugt verwendet. Denn es gilt:

$\rm sig^\prime (t) = {\rm sig}(t) \left ( 1 - {\rm sig}(t) \right )$