二分类问题中，Sigmoid 和 Softmax 函数的预测结果比较 (Matlab 代码解释)

在二分类问题中，使用 Softmax 函数和使用 Sigmoid 函数的预测结果是不一样的。

使用 Sigmoid 函数时，输出结果可以被解释为一个概率值，表示样本属于正类的概率。而使用 Softmax 函数时，输出结果是一个向量，其中每个元素表示样本属于各个类别的概率。

在 Matlab 中，可以使用以下代码进行解释：

使用 Sigmoid 函数：

% 输入数据
X = [1, 2, 3; 4, 5, 6];
% 权重参数
W = [0.1, 0.2, 0.3];
% 偏置参数
b = 0.5;
% sigmoid函数
sigmoid = @(x) 1./(1+exp(-x));
% 预测结果
Y_pred = sigmoid(X * W' + b);

使用 Softmax 函数：

% 输入数据
X = [1, 2, 3; 4, 5, 6];
% 权重参数
W = [0.1, 0.2, 0.3];
% 偏置参数
b = [0.5, 0.5, 0.5];
% softmax函数
softmax = @(x) exp(x)./sum(exp(x), 2);
% 预测结果
Y_pred = softmax(X * W' + b);

注意，在使用 Softmax 函数时，偏置参数 b 是一个向量，长度与类别数目相同，每个元素表示对应类别的偏置。