Sigmoid

Sigmoid fonksiyonu, makine öğrenimi (ML) ve derin öğrenme (DL) alanlarında kapsamlı bir şekilde kullanılan temel bir matematiksel bileşendir. Genellikle "sıkıştırma fonksiyonu" olarak adlandırılır; herhangi bir gerçel sayıyı girdi olarak alır ve onu 0 ile 1 arasında bir değere eşler. Bu karakteristik "S" şeklindeki eğri, ham model çıktılarını yorumlanabilir olasılıklara dönüştürmek için onu inanılmaz derecede kullanışlı kılar. Bir sinir ağı (NN) bağlamında Sigmoid fonksiyonu, bir aktivasyon fonksiyonu görevi görerek modellerin basit doğrusal ilişkilerin ötesindeki karmaşık örüntüleri öğrenmesini sağlayan doğrusal olmayan bir yapı sunar. Derin gizli katmanlarda büyük ölçüde diğer fonksiyonlarla değiştirilmiş olsa da, ikili sınıflandırma görevlerinde çıktı katmanları için standart bir seçenek olmaya devam etmektedir.

Link to this sectionYapay Zekada Sigmoid'in Mekanikleri#

Temelde Sigmoid fonksiyonu, genellikle logit olarak adlandırılan girdi verilerini normalleştirilmiş bir aralığa dönüştürür. Bu dönüşüm, hedefin bir olayın gerçekleşme olasılığını tahmin etmek olduğu görevler için kritiktir. Çıktıyı 0 ile 1 arasında sınırlayarak fonksiyon, net bir olasılık puanı sağlar.

• Lojistik Regresyon: Geleneksel istatistiksel modellemede Sigmoid, lojistik regresyonun arkasındaki motordur. Veri bilimcilerin, bir müşterinin hizmeti bırakıp bırakmayacağı veya kalıp kalmayacağı gibi ikili bir sonucun olasılığını tahmin etmelerini sağlar.
• İkili Sınıflandırma: İki sınıfı (örneğin "kedi" ile "köpek") birbirinden ayırt etmek için tasarlanmış sinir ağlarında, son katman genellikle bir Sigmoid aktivasyonu kullanır. Çıktı bir eşik değerinden (genellikle 0.5) büyükse, model pozitif sınıfı tahmin eder.
• Çok Etiketli Sınıflandırma: Sınıfların birbirini dışladığı çok sınıflı problemlerin aksine, çok etiketli görevler bir görselin veya metnin aynı anda birden fazla kategoriye ait olmasına izin verir. Burada Sigmoid, her bir çıktı düğümüne bağımsız olarak uygulanır ve böylece modelin aynı sahnede bir "araba" ve bir "kişi"yi çakışma olmadan tespit etmesini sağlar.

Link to this sectionDiğer Aktivasyon Fonksiyonlarından Temel Farklar#

Sigmoid bir zamanlar tüm katmanlar için varsayılan olsa da, araştırmacılar derin ağlarda gradyanların ağırlıkları etkili bir şekilde güncellemek için çok küçüldüğü kaybolan gradyan problemi gibi sınırlamalar keşfettiler. Bu durum, gizli katmanlar için alternatiflerin benimsenmesine yol açtı.

• Sigmoid ve ReLU (Düzeltilmiş Doğrusal Birim) Karşılaştırması: ReLU hesaplama açısından daha hızlıdır ve pozitifse girdiyi doğrudan, değilse sıfır değerini çıktığı için kaybolan gradyanları önler. YOLO26 gibi modern mimarilerde gizli katmanlar için tercih edilen seçenek budur; Sigmoid ise belirli görevlerde son çıktı katmanı için ayrılmıştır.
• Sigmoid ve Softmax Karşılaştırması: Her ikisi de çıktıları 0-1 aralığına eşler ancak farklı amaçlara hizmet ederler. Sigmoid her çıktıyı bağımsız olarak ele alır, bu da onu ikili veya çok etiketli görevler için ideal kılar. Softmax tüm çıktıların toplamını 1 olmaya zorlar ve sadece bir sınıfın doğru olduğu çok sınıflı sınıflandırma için kullanılan bir olasılık dağılımı oluşturur.

Link to this sectionGerçek Dünya Uygulamaları#

Sigmoid fonksiyonunun faydası, olasılık tahmininin gerekli olduğu çeşitli endüstrilere uzanır.

1. Tıbbi Tanı: Tıbbi görüntü analizi alanında kullanılan yapay zeka modelleri, bir X-ışını veya MRI taramasında bir hastalığın bulunma olasılığını tahmin etmek için sıklıkla Sigmoid çıktılarını kullanır. Örneğin, bir model 0.85 çıktısını vererek %85 tümör olasılığına işaret edebilir ve bu da doktorlara erken teşhiste yardımcı olur.

2. İstenmeyen E-posta Tespiti: E-posta filtreleme sistemleri, gelen bir iletinin "istenmeyen" veya "istenmeyen değil" olup olmadığını belirlemek için Sigmoid sınıflandırıcılarına sahip doğal dil işleme (NLP) modellerini kullanır. Model, anahtar kelimeleri ve meta verileri analiz ederek e-postanın gelen kutusuna mı yoksa gereksiz klasörüne mi düşeceğini belirleyen bir puan üretir.

Link to this sectionPratik Uygulama#

Derin öğrenme modelleri oluşturmak için popüler bir kütüphane olan PyTorch kullanarak Sigmoid'in verileri nasıl dönüştürdüğünü gözlemleyebilirsin. Bu basit örnek, girdi değerleri aralığı üzerindeki "sıkıştırma" etkisini gösterir.

import torch
import torch.nn as nn

# Create a Sigmoid layer
sigmoid = nn.Sigmoid()

# Define input data (logits) ranging from negative to positive
input_data = torch.tensor([-5.0, -1.0, 0.0, 1.0, 5.0])

# Apply Sigmoid to squash values between 0 and 1
output = sigmoid(input_data)

print(f"Input: {input_data}")
print(f"Output: {output}")
# Output values near 0 for negative inputs, 0.5 for 0, and near 1 for positive inputs

For those looking to train models that utilize these concepts without writing low-level code, the Ultralytics Platform offers an intuitive interface to manage datasets and train state-of-the-art models like YOLO26. By handling the architectural complexities automatically, it allows users to focus on gathering high-quality training data for their specific computer vision applications.