machine-learning - 如何使用 sigmoid 函数结果作为神经元的输出？这个0到1的值是什么意思呢？

Question

我已经知道 z = x1 * w1 + x2 * w2 + ... + xi * wi + 偏差，并且 sigmoid 函数为 y = 1/(1 + e ^ (-z)); y 为 0 到 1。

我的问题是，如何使用y的值？我读过一些文章，例如:

1. Y 只是一个数字；如果 y > 0.5 则必须设置阈值才能触发，所以神经元的输出将是二进制输出。
2. Y 是概率。如果有多个类，则 0 < y < 0.1是A类，神经元输出A； 0.1 <= y < 0.4 是 B 类，神经元输出 B 等
3. 您可以直接使用 y 的值作为该神经元的输出。

我对如何使用 sigmoid 函数的结果作为神经元的输出感到困惑。

Answer 1

对于正在讨论的应用程序，这三篇文章中的每一篇都是正确的。答案#1的第一句话非常准确:“Y只是一个数字”。根据应用程序，您可以使用它将输入分类为两个类之一 (#1)、多个类之一 (#2)、具有模型正在研究的特征的概率、输入到下一层 (# 3) 没有特定的描述，或取决于您的应用程序的其他解释。

您的问题的一个简单版本可能是“我刚刚做了线性回归并得到了我的数据集的斜率。我如何使用这个斜率？”

sigmoid 函数只是众多有用的转换函数之一。它的特殊属性包括

• 其输出限制在 (0, 1) 范围内。
• 它在相似幅度的大值之间没有太大区别(即对于大的正值和负值输入，梯度接近 0)。
• 它可以很好地区分接近 0 的数字；最大梯度为1。