La función sigmoide, σ(x) = 1 / (1 + e^-x), es una piedra angular en la regresión logística y las redes neuronales, mapeando cualquier valor real a un rango entre 0 y 1. Esta transformación permite que las salidas se interpreten como probabilidades, como predecir si un estudiante aprueba o no según las horas de estudio. Sin embargo, el verdadero origen de la función reside en la constante matemática 'e', aproximadamente 2.71828, que surge naturalmente del interés compuesto continuo.

Considere un banco que ofrece una tasa de interés anual del 100%: con capitalización anual, $100 crecen a $200. Si se capitaliza semestralmente, la cantidad se convierte en $225, y a medida que la frecuencia de capitalización aumenta infinitamente, el factor de crecimiento se acerca a 'e'. Este límite define el crecimiento exponencial, y la función sigmoide es esencialmente una versión suavizada de este comportamiento exponencial, lo que la hace ideal para la activación en redes neuronales.

Comprender esta derivación aclara por qué se usa la sigmoide y resalta su papel en mitigar los gradientes que desaparecen, un desafío común en el aprendizaje profundo.