Sigmoid Fonksiyonu Hesaplayıcı (Birinci ve İkinci Türevleriyle)

Sigmoid Fonksiyonu Hesaplayıcı (Birinci ve İkinci Türevleriyle)

Popüler AI Skill PRO

Hesaplamaya Girin

Formül

σ(x)=11+e−ax\sigma(x) = \frac{1}{1 + e^{-\text{a}\,x}}
Hesaplama adımlarını göster (3)
  1. Birinci türev

    σ′(x)=aσ(x)(1−σ(x))\sigma^{\prime}(x) = \text{a}\,\sigma(x)\bigl(1 - \sigma(x)\bigr)

    Sigmoidin eğimi; a = kazanç

  2. İkinci türev

    σ′′(x)=a2σ(x)(1−σ(x))(1−2σ(x))\sigma^{\prime\prime}(x) = \text{a}^{2}\,\sigma(x)\bigl(1 - \sigma(x)\bigr)\bigl(1 - 2\,\sigma(x)\bigr)

    Sigmoidin eğriliği; a = kazanç

  3. Maksimum eğim

    σmax⁡′=a4\sigma^{\prime}_{\max} = \frac{\text{a}}{4}

    Sigmoidin x = 0 noktasında ulaşılan en yüksek eğimi

Kullanım istatistikleri

Reklam

Sonuç

x noktasında sigmoid = 2 (a = 1)
0,880797
σ'(x) birinci türev
0,104994
σ''(x) ikinci türev
-0,079963
x σ(x) σ'(x) σ''(x)
-6 0,002473 0,002467 0,002454
-5,5 0,00407 0,004054 0,004021
-5 0,006693 0,006648 0,006559
-4,5 0,010987 0,010866 0,010627
-4 0,017986 0,017663 0,017027
-3,5 0,029312 0,028453 0,026785
-3 0,047426 0,045177 0,040892
-2,5 0,075858 0,070104 0,059468
-2 0,119203 0,104994 0,079963
-1,5 0,182426 0,149146 0,09473
-1 0,268941 0,196612 0,090858
-0,5 0,377541 0,235004 0,057557
0 0,5 0,25 0
0,5 0,622459 0,235004 -0,057557
1 0,731059 0,196612 -0,090858
1,5 0,817574 0,149146 -0,09473
2 0,880797 0,104994 -0,079963
2,5 0,924142 0,070104 -0,059468
3 0,952574 0,045177 -0,040892
3,5 0,970688 0,028453 -0,026785
4 0,982014 0,017663 -0,017027
4,5 0,989013 0,010866 -0,010627
5 0,993307 0,006648 -0,006559
5,5 0,99593 0,004054 -0,004021
6 0,997527 0,002467 -0,002454
Maksimum eğim σ'(0) 0,25

Bu sayfadaki bir hatayı bildir

Sigmoid fonksiyonu nedir?

Sigmoid ya da lojistik fonksiyon, herhangi bir gerçek sayıyı yumuşak, S biçimli bir eğriyle (0, 1) açık aralığına sıkıştırır. \(\sigma(x) = \frac{1}{1 + e^{-\text{a}\,x}}\) şeklinde tanımlanan bu fonksiyon, yapay sinir ağlarında en sık kullanılan aktivasyon fonksiyonlarından biridir; ayrıca lojistik regresyon, olasılık modelleme ve büyüme eğrilerinin de vazgeçilmezidir. Kazanç parametresi \(\text{a}\), geçişin ne kadar dik olacağını belirler: \(\text{a} = 1\) olduğunda ders kitaplarındaki klasik sigmoid'i elde edersiniz, daha büyük \(\text{a}\) değerleri ise geçişi adım fonksiyonuna doğru sıkıştırır.

y eksenini 0,5'te kesen ve 0 ile 1'de yatay asimptotları olan S biçimli sigmoid eğrisi
Sigmoid fonksiyonu 0 ile 1 arasında sınırlı bir S biçimli eğri oluşturur.

Bu hesaplayıcı nasıl kullanılır?

Önce kazanç değeri \(\text{a}\)'yı, ardından fonksiyonu değerlendirmek istediğiniz aralığı girin: x minimum, x maksimum ve x adımı (artış miktarı). Araç her adımda \(\sigma(x)\), birinci türevi \(\sigma^{\prime}(x)\) ve ikinci türevi \(\sigma^{\prime\prime}(x)\) için bir tablo oluşturur; isteğe bağlı olarak girdiğiniz tek bir x değeri için de noktasal sonuçları gösterir. Adımın sıfırdan büyük ve x maksimumun en az x minimum kadar olduğundan emin olun; aksi takdirde tabloda hiçbir satır oluşmaz.

Formüllerin açıklaması

Türevler, \(\sigma\)'nın kendisi cinsinden yazıldığında oldukça sade biçimler alır. Türev alındığında $$\sigma^{\prime}(x) = \text{a}\,\sigma(x)\bigl(1 - \sigma(x)\bigr)$$ elde edilir; bu ifade her zaman pozitiftir (eğri tekdüze artar) ve büküm noktası olan \(x = 0\)'da en yüksek değeri olan \(\frac{\text{a}}{4}\)'e ulaşır. İkinci türev $$\sigma^{\prime\prime}(x) = \text{a}^{2}\,\sigma(x)\bigl(1 - \sigma(x)\bigr)\bigl(1 - 2\,\sigma(x)\bigr)$$ \(\sigma\)'nın 0,5 olduğu \(x = 0\) noktasında işaret değiştirir ve bu da büküm noktasını doğrular.

Reklam
Çan biçimli birinci türevi ve S biçimli ikinci türeviyle üst üste bindirilmiş sigmoid eğrisi
Sigmoid (S eğrisi), çan biçimli birinci türevi ve ikinci türevi.

Örnek çözüm

\(\text{a} = 1\) ve \(x = 2\) alalım. Bu durumda \(e^{-2} = 0{,}135335\) olur ve $$\sigma(2) = \frac{1}{1{,}135335} = 0{,}880797$$ bulunur. Birinci türev \(0{,}880797 \cdot (1 - 0{,}880797) = 0{,}104994\)'tür. İkinci türev ise $$0{,}104994 \cdot (1 - 2 \cdot 0{,}880797) = 0{,}104994 \cdot (-0{,}761594) = -0{,}079963$$ olur. \(x = 0\) noktasında değerler \(\sigma = 0{,}5\), \(\sigma^{\prime} = 0{,}25\) ve \(\sigma^{\prime\prime} = 0\)'dır.

Sık Sorulan Sorular

Kazanç \(\text{a}\) ne işe yarar? Girdiyi ölçekler. Daha büyük bir \(\text{a}\), eğrinin \(x = 0\) çevresinde daha hızlı yükselmesini sağlar; \(\text{a}\) büyüdükçe sigmoid keskin bir adım fonksiyonuna yaklaşır, \(\text{a} = 0\) olduğunda ise 0,5 düzeyinde düz bir çizgi elde edilir.

En dik nokta neresidir? Her zaman \(x = 0\)'dır; bu noktada eğim \(\frac{\text{a}}{4}\)'e eşittir ve ikinci türev sıfırdır.

Çıktı neden hiçbir zaman tam olarak 0 veya 1 olmaz? Üstel fonksiyon sonlu bir x için asla sıfıra ulaşmaz; bu nedenle \(\sigma\) her zaman (0, 1) aralığının kesin olarak içinde kalır. \(|\text{a}\cdot x|\) çok büyük olduğunda değer sayısal olarak 0 veya 1'e yuvarlanır ve bu hesaplayıcı bu durumu güvenli şekilde ele alır.

Sigmoid ve Türevlerinin Referans Değerleri (a = 1)

Standart lojistik fonksiyon \(\sigma(x)=\frac{1}{1+e^{-x}}\) için türevler \(\sigma'(x)=\sigma(x)\,(1-\sigma(x))\) ve \(\sigma''(x)=\sigma(x)\,(1-\sigma(x))\,(1-2\sigma(x))\) şeklindedir. Değerler 6 ondalık basamağa yuvarlanmıştır.

x σ(x) σ′(x) σ″(x)
-6 0.002473 0.002467 0.002454
-4 0.017986 0.017663 0.017028
-3 0.047426 0.045177 0.040892
-2 0.119203 0.104994 0.079963
-1 0.268941 0.196612 0.090858
0 0.500000 0.250000 0.000000
1 0.731059 0.196612 -0.090858
2 0.880797 0.104994 -0.079963
3 0.952574 0.045177 -0.040892
4 0.982014 0.017663 -0.017028
6 0.997527 0.002467 -0.002454

Simetri

  • \(\sigma(-x)=1-\sigma(x)\): eğri (0, 0.5) noktasına göre nokta simetriktir.
  • \(\sigma'(-x)=\sigma'(x)\): birinci türev çift bir fonksiyondur (çan biçimli bir eğri).
  • \(\sigma''(-x)=-\sigma''(x)\): ikinci türev tek bir fonksiyondur.
Reklam

Kazanç a'nın Eğri Üzerindeki Etkisi

Kazanç \(a\) girdiyi ölçeklendirir: \(\sigma(x)=\frac{1}{1+e^{-ax}}\), \(\sigma'(x)=a\,\sigma(1-\sigma)\), \(\sigma''(x)=a^2\,\sigma(1-\sigma)(1-2\sigma)\). Tablo, her kazanç değerini x = 1 için hesaplamaktadır.

Kazanç a σ(1) σ′(1) σ″(1) Maksimum eğim a/4 (x = 0'da) σ, 0.1 ile 0.9 arasında
0.5 0.622459 0.117502 -0.014389 0.125 |x| < 4.394
1 0.731059 0.196612 -0.090858 0.25 |x| < 2.197
2 0.880797 0.209987 -0.319851 0.5 |x| < 1.099
5 0.993307 0.033240 -0.163975 1.25 |x| < 0.439

Maksimum eğim \(\sigma'(0)=a/4\)'tür. \(\sigma=0.1\) ve \(\sigma=0.9\) değerleri \(ax=\mp\ln 9\) olduğunda ortaya çıktığından, geçiş bandı yaklaşık olarak \(|x|<\frac{\ln 9}{a}\approx\frac{2.197}{a}\) kadardır. Daha büyük bir kazanç daha dik ve daha dar bir geçiş sağlar; daha küçük bir kazanç ise daha yumuşak ve daha geniş bir geçiş sağlar. Şunu da not edin: x = 1'de a = 5 için ikinci türevin mutlak değeri, a = 2'ye göre daha küçüktür, çünkü eğri orada zaten doygunluğa ulaşmaya başlamıştır.

Sigmoid ve Türev Değerlerinin Yorumlanması

σ(x): sınırlı, olasılığa benzer çıktı

Sigmoid, her gerçek girdiyi açık aralık (0, 1)'e eşler ve σ(0) = 0.5'tir. Bu nedenle lojistik regresyonda, sinir ağı aktivasyonlarında ve büyüme ya da doygunluk modellerinde kullanılır. 0.88 gibi bir değer olasılığa benzer bir puan olarak okunabilir; ancak model bu şekilde uydurulmuşsa gerçek bir kalibre edilmiş olasılık olur.

σ′(x): hassasiyet veya gradyan

Birinci türev, x'teki birim değişim başına çıktının ne kadar hızlı değiştiğini gösterir. Her zaman pozitiftir, x = 0 iken \(a/4\) değerine ulaşır ve her iki kuyrukta 0'a doğru düşer. \(|a\,x|\) yaklaşık 5'i aştığında σ′ yaklaşık 0.0066·a'nın altına iner ve fonksiyon doygun hale gelir: girdideki büyük değişimler çıktıyı neredeyse hiç değiştirmez. Gradyan tabanlı eğitimde bu, kaybolan gradyan etkisidir, çünkü çok küçük türevler ağırlık güncellemelerini küçük bırakır.

σ″(x): eğrilik

  • x < 0 için σ″ > 0: eğri dış bükeydir (yukarı doğru eğilir) ve eğim hâlâ artmaktadır.
  • x = 0'da σ″ = 0: eğimin maksimum olduğu bükülme noktasıdır.
  • x > 0 için σ″ < 0: eğri iç bükeydir (aşağı doğru eğilir) ve eğim azalmaktadır.

σ″'nin uç değerleri \(\sigma=\frac{1}{2}\pm\frac{1}{2\sqrt{3}}\) olduğunda, yani \(x=\pm\frac{\ln(2+\sqrt{3})}{a}\approx\pm\frac{1.317}{a}\) noktalarında ortaya çıkar. Bunlar eğimin en hızlı değiştiği noktalardır.

Son güncelleme:

Matematik ve İstatistik kategorisinde en popüler

Tüm Matematik ve İstatistik hesap makinelerini gör