En mathématiques, la fonction sigmoïde (dite aussi courbe en S) est définie par : pour tout réel mais on la généralise à toute fonction dont l'expression est : Elle représente la fonction de répartition de la loi logistique. La courbe sigmoïde génère par transformation affine une partie des courbes logistiques, ce qui en fait une représentante privilégiée. La fonction sigmoïde est souvent utilisée dans les réseaux de neurones parce qu'elle est dérivable, ce qui est nécessaire pour l'algorithme de rétropropagation de Werbos, et parce que son codomaine est l'intervalle , ce qui permet d'obtenir des valeurs analogues à des probabilités. La dérivée de sa fonction inverse est extrêmement simple à calculer, ce qui permet d'améliorer les performances des algorithmes d'optimisation. La courbe sigmoïde possède pour asymptotes les droites d'équation y = 0 et y = 1. Elle a pour centre de symétrie le point I de coordonnée (0;1/2), qui est également un point d'inflexion puisqu'en ce point, la dérivée seconde est nulle et change de signe Pour une courbe sigmoïde de paramètre λ, la dérivée au point d'inflexion est λ/4. Cette propriété permet de paramétrer facilement une sigmoïde en observant la pente au point d'inflexion (égale à la dérivée). Les propriétés de la fonction sigmoïde s'expliquent par celles de sa dérivée. En effet celle-ci est égale à qui peut se transformer en où y varie de 0 à 1. Cette équation différentielle signifie que la variation de y en fonction de x (souvent le temps d'ailleurs en physique, chimie ou marketing) est proportionnelle à la fois à l'avancement de y depuis 0 et au chemin qui reste à parcourir pour arriver à 1, proportionnalité affectée d'un coefficient λ. Cette équation différentielle est un cas particulier de modèle de Verhulst et a pour autres solutions des fonctions logistiques. La dérivée seconde possède aussi quelques propriétés : elle peut se transformer en ce qui vérifie bien qu'un point d'inflexion est le point-milieu y = .

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (27)
DH-406: Machine learning for DH
This course aims to introduce the basic principles of machine learning in the context of the digital humanities. We will cover both supervised and unsupervised learning techniques, and study and imple
PHYS-467: Machine learning for physicists
Machine learning and data analysis are becoming increasingly central in sciences including physics. In this course, fundamental principles and methods of machine learning will be introduced and practi
EE-566: Adaptation and learning
In this course, students learn to design and master algorithms and core concepts related to inference and learning from data and the foundations of adaptation and learning theories with applications.
Afficher plus
Publications associées (26)

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.