二分类中使用 Softmax 和 Sigmoid 函数的区别：预测结果对比及 MATLAB 示例

在二分类问题中，使用 Softmax 函数和使用 Sigmoid 函数会得到不同的预测结果。

当使用 Sigmoid 函数时，我们将输出范围限制在 0 到 1 之间，可以将其解释为预测样本属于正例的概率。而在二分类问题中，我们可以通过设置一个阈值（通常是 0.5）来将预测值映射为 0 或 1。

当使用 Softmax 函数时，我们将得到一个包含两个元素的向量，表示样本属于每个类别的概率。在这种情况下，预测的类别将是具有最高概率的类别。

下面是一个在 MATLAB 中使用 Softmax 函数的简单示例代码：

% 输入数据
x = [1, 2, 3, 4, 5];

% 计算softmax
softmax_x = exp(x) / sum(exp(x));

% 输出结果
disp(softmax_x);

在这个例子中，我们计算了输入向量 x 的 Softmax 值。最终的输出 softmax_x 是一个包含 5 个元素的向量，表示 x 属于每个类别的概率。

请注意，这个例子是一个多分类问题的示例，如果要在二分类问题中使用 Softmax 函数，你需要将输出向量的第一个元素解释为负例的概率，第二个元素解释为正例的概率。