シグモイド関数（Sigmoid Function）
解説：確率への変換装置
シグモイド関数は、どんな入力値が来ても、出力を必ず「0から1」の範囲にギュッと圧縮する性質を持つS字型の関数です。
この「0〜1」という範囲は、そのまま「確率（0%〜100%）」として解釈できるため、AIが「これは猫である確率：80%（0.8）」といった判定を行う際に非常に便利です。そのため、古くからニューラルネットワークの活性化関数として主役級の扱いを受けてきました。
最大の弱点：「勾配消失問題」
しかし、層を深く重ねるディープラーニングにおいては、「入力が大きすぎたり小さすぎたりすると、学習がストップする」という致命的な欠点があります。
学習が止まる理由（勾配消失）
シグモイド関数のグラフ（上の図）を見てください。
左右の端の方に行くと、カーブがほぼ「平ら（傾きゼロ）」になっています。
AIの学習（誤差逆伝播法）は「坂の傾き」を頼りに進むため、傾きがゼロになると「どっちに進めばいいかわからない」状態になり、学習が完全に停止してしまいます。これが勾配消失問題です。
シグモイド関数のグラフ（上の図）を見てください。
左右の端の方に行くと、カーブがほぼ「平ら（傾きゼロ）」になっています。
AIの学習（誤差逆伝播法）は「坂の傾き」を頼りに進むため、傾きがゼロになると「どっちに進めばいいかわからない」状態になり、学習が完全に停止してしまいます。これが勾配消失問題です。
| 項目 | 特徴 |
|---|---|
| 出力範囲 | 0 〜 1 （確率として扱いやすい） |
| グラフの形状 | 滑らかなS字カーブ。 点 (0, 0.5) を中心とした点対称。 |
| 現在の用途 | 主に「出力層」で使用。 中間層では「勾配消失」を避けるため、ReLU関数を使うのが一般的。 |
G検定対策
出題ポイント
- グラフの中心点：「原点(0, 0)」ではなく、「(0, 0.5)」を通る点対称なグラフであることを覚えておきましょう。
- 主な用途：「二値分類（Yes/No）の出力層」で使われます。
- デメリット：入力の絶対値が大きいと微分値（傾き）が0に近づき、「勾配消失問題」を引き起こすこと。
ひっかけ対策
- × 原点対称である
（解説）原点(0, 0)を中心に対称なのは「tanh関数」です。シグモイドは少し上に浮いています。 - × 中間層に最適である
（解説）かつては使われていましたが、現在はReLU関数の方が推奨されます。「歴史的に使われてきた」という文脈なら正解ですが、「最新の推奨」としては間違いです。
