Обсуждение:Сигмоидная функция

Напиши статью для MachineLearning.ru на русском языке на тему «Сигмоидная функция». Целевая аудитория: студенты профильных вузов, математики и практикующие ML-инженеры. Стиль — энциклопедическая вики-статья: строго, содержательно, без рекламного, разговорного и водянистого текста. Статья должна выглядеть как законченная страница MachineLearning.ru. В начале статьи обязательно добавь код в точности: {{well|Статья написана с использованием LLM ''GPT-5.5 Thinking'' и проверена участником ~~~~ Промпт приводится полностью в [[Обсуждение:Сигмоидная функция]]}} {{TOCright}} Пиши только в MediaWiki-разметке, без Markdown. Математические формулы оформляй через <tex>...</tex>, код — через блок: <source lang="python"> ... </source> Используй внутренние ссылки только на реально существующие и непустые статьи MachineLearning.ru. Перед добавлением каждой внутренней ссылки проверь, что соответствующая страница существует и содержит содержательную статью. Не добавляй ссылки на пустые страницы, страницы-заготовки, страницы обсуждений и несуществующие статьи. Если наличие статьи проверить невозможно, оставь термин без двойных квадратных скобок. В частности, при подтверждённом наличии страниц можно использовать ссылки на связанные понятия: [[Логистическая регрессия]], [[Логит-функция]], [[Функция активации]], [[Нейронная сеть]], [[Бинарная классификация]], [[Градиентный спуск]], [[Функция потерь]], [[Обобщённая линейная модель]]. Обязательно раскрой следующие вопросы: * дай общее определение класса сигмоидных функций; * объясни характерную S-образную форму графика; * подробно опиши логистическую сигмоиду; * укажи область определения и множество значений; * приведи первую производную и её выражение через саму функцию; * объясни монотонность, пределы, симметрию и точку перегиба; * покажи связь сигмоиды с логит-функцией; * объясни применение в логистической регрессии и нейронных сетях; * опиши проблему затухающих градиентов; * сравни логистическую сигмоиду с гиперболическим тангенсом и ReLU; * укажи достоинства и ограничения; * добавь корректный пример реализации и построения графика на Python. Структура статьи: == Определение == == Логистическая сигмоида == == Свойства == == Применение в машинном обучении == == Сравнение с другими функциями активации == == Реализация == == См. также == == Литература == В разделе «Определение» поясни, что сигмоидной называют монотонную ограниченную функцию с S-образным графиком. Не отождествляй весь класс сигмоидных функций исключительно с логистической функцией. В качестве основной логистической сигмоиды используй формулу: <tex> \sigma(x)=\frac{1}{1+e^{-x}}. </tex> Укажи отображение: <tex> \sigma\colon\mathbb{R}\to(0,1). </tex> Приведи пределы: <tex> \lim_{x\to-\infty}\sigma(x)=0, \qquad \lim_{x\to+\infty}\sigma(x)=1. </tex> Приведи производную: <tex> \sigma'(x)=\sigma(x)\bigl(1-\sigma(x)\bigr). </tex> Покажи свойства: <tex> \sigma(0)=\frac{1}{2}, </tex> <tex> \sigma(-x)=1-\sigma(x). </tex> Объясни, что максимальное значение производной достигается при <tex>x=0</tex> и равно <tex>1/4</tex>. При больших по модулю значениях аргумента производная стремится к нулю, что приводит к насыщению функции и может вызывать затухание градиентов. Покажи связь с логит-функцией: <tex> \operatorname{logit}(p)=\ln\frac{p}{1-p}, </tex> <tex> \sigma(\operatorname{logit}(p))=p, \qquad \operatorname{logit}(\sigma(x))=x. </tex> В разделе о логистической регрессии используй запись: <tex> \mathbb{P}(Y=1\mid x) = \sigma\left(\beta_0+\sum_{j=1}^{m}\beta_jx_j\right). </tex> Объясни, что сигмоида преобразует произвольный линейный предиктор в значение между <tex>0</tex> и <tex>1</tex>. Не утверждай, что любое значение сигмоиды автоматически является корректной вероятностью без соответствующей вероятностной модели и обучения. В разделе «Сравнение с другими функциями активации» кратко сравни: * логистическую сигмоиду; * гиперболический тангенс; * ReLU. Укажи диапазоны значений, наличие насыщения, центрированность относительно нуля и особенности градиентов. Не утверждай, что одна функция активации всегда лучше остальных. В разделе «Реализация» добавь корректный код Python с использованием <code>NumPy</code> и <code>matplotlib</code>. Реализуй численно устойчивую сигмоиду, вычисли её производную и построй два отдельных графика: самой функции и её производной. Добавь вывод нескольких численных значений. Код должен быть запускаемым и не должен содержать вымышленных функций или заранее придуманных результатов выполнения. В разделе «См. также» используй список через символ <code>*</code>. Включай только ссылки на проверенные существующие и непустые статьи MachineLearning.ru. В разделе «Литература» используй только вики-шаблоны {{статья | ...}} и {{книга | ...}}. Добавляй только реально существующие источники. Не выдумывай названия, авторов, DOI, ISBN, годы, выпуски или номера страниц. В конце добавь категории: [[Категория:Функции активации]] [[Категория:Нейронные сети]] [[Категория:Машинное обучение]] [[Категория:Математические функции]] Выведи только готовый MediaWiki-код статьи, без Markdown-ограждений и без пояснений вне статьи.