Logistische Sigmoidfunktion

Die logistische Sigmoidfunktion nimmt einen reellen Eingabewert z und bildet ihn auf einen Wert strikt zwischen null und eins ab. Bei z=0 ist das Ergebnis 0,5; positive Werte nähern sich 1 und negative Werte 0. Sie wird häufig nach einem linearen Score verwendet, um eine binäre Modellvorhersage in Wahrscheinlichkeitsform auszudrücken. Die Kurve ist glatt und monoton steigend. Der Funktionswert kann als Wahrscheinlichkeit gelesen werden, wenn ein passendes logistisches Modell zugrunde liegt. Ein Score ist nicht automatisch kalibriert; Modell, Trainingsdaten und Auswertung bestimmen die Interpretation. Prüfe Kalibrierung getrennt von Trennschärfe und Accuracy. Die Ausgabe ersetzt außerdem keine fachliche Entscheidungsschwelle. Berichte den ausgewählten Grenzwert mit.

Setze z=ln 3 ein: e^(−z)=e^(−ln 3)=1/3. Damit wird σ(z)=1/(1+1/3)=3/4=0,75. Die Probe erfolgt über die inverse Logit-Transformation ln(p/(1−p)): Bei p=0,75 ist das ln(0,75/0,25)=ln 3. Das Ergebnis ist dimensionslos und liegt im zulässigen offenen Intervall (0,1). Der Funktionswert kann als Wahrscheinlichkeit gelesen werden, wenn ein passendes logistisches Modell zugrunde liegt. Ein Score ist nicht automatisch kalibriert; Modell, Trainingsdaten und Auswertung bestimmen die Interpretation. Prüfe Kalibrierung getrennt von Trennschärfe und Accuracy. Die Ausgabe ersetzt außerdem keine fachliche Entscheidungsschwelle. Berichte den ausgewählten Grenzwert mit.

Nein. Die Funktion wandelt einen Score mathematisch in einen Wert zwischen null und eins um. Erst das Modell und seine Annahmen verbinden diesen Wert mit einer bedingten Wahrscheinlichkeit. Schlechte Datengrundlage, Fehlanpassung oder Verteilungsverschiebung können Kalibrierung verschlechtern. Prüfe deshalb Zuverlässigkeitsdiagramme und getrennte Validierungsdaten, statt die Sigmoidform allein als Beleg für eine korrekte Wahrscheinlichkeit zu behandeln. Der Funktionswert kann als Wahrscheinlichkeit gelesen werden, wenn ein passendes logistisches Modell zugrunde liegt. Ein Score ist nicht automatisch kalibriert; Modell, Trainingsdaten und Auswertung bestimmen die Interpretation. Prüfe Kalibrierung getrennt von Trennschärfe und Accuracy. Die Ausgabe ersetzt außerdem keine fachliche Entscheidungsschwelle. Berichte den ausgewählten Grenzwert mit.

Für σ(z) gilt σ′(z)=σ(z)(1−σ(z)). Der größte Anstieg liegt bei z=0, wo σ=0,5 und die Steigung 0,25 beträgt. Für stark positive oder negative Eingaben wird die Steigung klein; dort sättigt die Kurve. Das erklärt, warum Gradienten in tiefen Netzen bei wiederholter Sigmoid-Aktivierung schwächer werden können, ist aber kein vollständiges Trainingsergebnis. Der Funktionswert kann als Wahrscheinlichkeit gelesen werden, wenn ein passendes logistisches Modell zugrunde liegt. Ein Score ist nicht automatisch kalibriert; Modell, Trainingsdaten und Auswertung bestimmen die Interpretation. Prüfe Kalibrierung getrennt von Trennschärfe und Accuracy. Die Ausgabe ersetzt außerdem keine fachliche Entscheidungsschwelle. Berichte den ausgewählten Grenzwert mit.

Für große positive z ist e^(−z) sehr klein und σ liegt nahe eins; bei stark negativem z kann e^(−z) numerisch überlaufen und σ liegt nahe null. Gleitkommarechnung kann dann Rundungsfehler oder Überlauf erzeugen. Bibliotheken nutzen stabile Funktionen, etwa getrennte Ausdrücke für positive und negative Eingaben. In Verlustfunktionen ist eine Log-Sigmoid-Implementierung oft stabiler, als erst p zu berechnen und danach log(p) zu bilden. Der Funktionswert kann als Wahrscheinlichkeit gelesen werden, wenn ein passendes logistisches Modell zugrunde liegt. Ein Score ist nicht automatisch kalibriert; Modell, Trainingsdaten und Auswertung bestimmen die Interpretation. Prüfe Kalibrierung getrennt von Trennschärfe und Accuracy. Die Ausgabe ersetzt außerdem keine fachliche Entscheidungsschwelle. Berichte den ausgewählten Grenzwert mit.