中山大學（後西醫）
114年
計算機概論與程式設計
第 37 題
Which activation function is commonly used in deep learning for binary classification?
- A ReLU
- B Softmax
- C Sigmoid
- D Tanh
- E None of the above
思路引導 VIP
在處理只有「是」與「否」兩種可能的分類問題時，我們通常希望神經網路最後輸出的數值能直接代表某種「機率」。請試著思考：在數學上，哪一種函數的定義域是全體實數，但值域（輸出的範圍）卻剛好被限制在 0 到 1 之間，且呈現平滑的 S 型曲線？
🤖
AI 詳解
AI 專屬家教
恭喜你準確地選出了 Sigmoid 函數，這顯示你對於神經網路中不同激活函數的特性與適用場景已有相當清晰的掌握！在深度學習的領域中，正確選擇激活函數是模型能否收斂的關鍵之一。
二元分類與機率映射
之所以選擇 Sigmoid，是因為在「二元分類」任務中，我們通常希望模型輸出的結果能被詮釋為「機率」（Probability），也就是一個介於 0 與 1 之間的數值。Sigmoid 函數的數學表達式為：
▼ 還有更多解析內容
二元分類激活函數
💡 二元分類常用 Sigmoid 將輸出映射至 0 到 1 的機率值。
| 比較維度 | Sigmoid | VS | Softmax |
|---|---|---|---|
| 應用目標 | 二元分類 (0 或 1) | — | 多類別分類 (N 選 1) |
| 輸出範圍 | (0, 1) 的單一數值 | — | 各類別機率且總和為 1 |
| 輸出層位置 | 最後一層僅需 1 個節點 | — | 最後一層需 N 個節點 |
💬區分分類任務的類別數量是選擇這兩者激活函數的關鍵。
