活性化関数

活性化関数（アクティベーション・ファンクション）

解説：ニューロンの「やる気スイッチ」

活性化関数は、ニューロン（ノード）に入ってきた情報を、「次の層にどれくらいの強さで伝えるか」を決定する関数です。

人間の脳細胞（ニューロン）は、電気信号を受け取っても常に反応するわけではなく、ある一定以上の刺激が来たときだけ「発火（反応）」して信号を隣に伝えます。この「発火するかどうかの判断」や「信号の強弱の調整」を数式でモデル化したものが活性化関数です。

なぜ「非線形」な関数が必要なのか？

ここが最も重要なポイントです。もし、活性化関数を使わずに単なる「掛け算と足し算（線形変換）」だけで層を重ねたらどうなるでしょうか？

代表的な活性化関数と使い分け

現在は、場所（中間層か出力層か）によって使う関数がほぼ決まっています。

G検定対策

出題ポイント

• 役割：「非線形性」を持たせることで、複雑なパターンを学習可能にすること。
• ReLUの優位性：勾配消失問題（学習が止まる現象）に強く、計算コストが低いこと。
• 出力層の選び方：
  • 回帰問題（数値予測）→ 恒等関数（そのまま出す）
  • 二値分類（Yes/No）→ シグモイド関数
  • 多クラス分類（AかBかCか）→ ソフトマックス関数

ひっかけ対策

• × 線形関数でも層を増やせば表現力は上がる
  （解説）誤りです。線形関数の重ね合わせは、結局1つの線形関数と同じになります。これを打破するために活性化関数が必要です。
• × すべての活性化関数は0〜1の範囲で出力する
  （解説）誤りです。ReLUは正の無限大までいきますし、tanhはマイナスの値（-1〜1）も取ります。

PICK UP

【2026年最新】G検定の参考書・問題集と本番の難易度の乖離について～テキストが当てにならない！？

2026年3月6日、第2回G検定を受験された皆様、本当にお疲れ様でした。 試験終了直後から、X（旧Twitter）やSNSでは阿鼻叫喚の嵐が吹き荒れていましたね。 その原因はただ一つ。 「市販のテキスト（参考書）と、本番 […]

記事を読む