lesson1Title

lesson2Title

lesson3Title

lesson4Title

lesson5Title

lesson6Title

lesson7Title

lesson8Title

lesson9Title

lesson10Title

lesson11Title

lesson12Title

lesson13Title

lesson14Title

lesson15Title

lesson16Title

lesson17Title

aiFundamentalsDeepLearningChapter1Title

aiFundamentalsDeepLearningChapter2Title

aiFundamentalsDeepLearningChapter3Title

aiFundamentalsDeepLearningChapter4Title

aiFundamentalsDeepLearningChapter5Title

# 활성화 함수 비교 - 시그모이드, ReLU, 소프트맥스  

활성화 함수는 인공 신경망에서 입력값을 변환해 다음 층으로 전달하는 역할을 합니다.

지금까지 학습한 `시그모이드(Sigmoid)`, `ReLU(Rectified Linear Unit)`, `소프트맥스(Softmax)` 함수는 각각의 특성과 장단점이 있습니다.

<br />  

## 활성화 함수 비교  

| 함수         | 출력 범위       | 특징 및 장점                                      | 단점 및 한계  |
|-------------|------------|--------------------------------|--------------|
| 시그모이드  | (0, 1)     | 확률적 해석 가능, 이진 분류에 적합 | 큰 값에서 기울기 소실 발생 |
| ReLU     | (0, ∞)     | 기울기 소실 문제 완화, 계산 간단 | 0 이하의 값에서 뉴런 비활성화 |
| 소프트맥스 | (0, 1)     | 다중 클래스 분류에 적합, 확률 값 제공 | 한 클래스의 값이 다른 클래스에 영향을 줌 |

<br />  

활성화 함수는 신경망 모델의 성능에 중요한 영향을 미칩니다.

문제의 특성에 따라 적절한 활성화 함수를 선택하는 것이 중요합니다.

다음 수업에서는 지금까지 배운 내용을 점검하는 간단한 퀴즈를 풀어보겠습니다.

소프트맥스 함수는 다중 클래스 분류 문제에 적합하며, 각 클래스의 확률 값을 제공합니다. 이로 인해 여러 클래스 중 하나를 선택할 수 있는 분류 문제에서 유용합니다.

함수	출력 범위	특징 및 장점	단점 및 한계
시그모이드	(0, 1)	확률적 해석 가능, 이진 분류에 적합	큰 값에서 기울기 소실 발생
ReLU	(0, ∞)	기울기 소실 문제 완화, 계산 간단	0 이하의 값에서 뉴런 비활성화
소프트맥스	(0, 1)	다중 클래스 분류에 적합, 확률 값 제공	한 클래스의 값이 다른 클래스에 영향을 줌

활성화 함수 비교 - 시그모이드, ReLU, 소프트맥스

활성화 함수 비교

다음 중 다중 클래스 분류에 가장 적합한 활성화 함수는 무엇인가요?