Sigmoid 函式是一種常用的激活函式，它可以將輸入值的範圍映射到 0 到 1 之間。它的公式為：
```scss
sigmoid(x) = 1 / (1 + exp(-x))
```
Sigmoid 函式的特點是，當輸入值較大時，輸出值接近於 1，當輸入值較小時，輸出值接近於 0。這使得 Sigmoid 函式在處理二分類問題時非常有用，因為它可以將任意輸入值映射到機率域中，從而實現邏輯回歸。
Sigmoid 函式也可以用於處理多分類問題，通常與 softmax 函式結合使用。Softmax 函式可以將一組機率分布轉換為多分類問題的輸出向量，其中每個分量的值都接近於 1 而其他分量的值接近於 0。這種輸出向量可以用於評估模型在各個類別的表現，並為多分類問題提供更準確的評估方法。
除了邏輯回歸和多分類問題，Sigmoid 函式還可以與其他激活函式結合使用，如 ReLU、tanh 等，以實現不同的神經網路結構和算法。總的來說，Sigmoid 函式在機器學習和深度學習中扮演著重要的角色，被廣泛用於各種套用場景中。