シグモイド関数、σ(x) = 1 / (1 + e^-x)は、ロジスティック回帰とニューラルネットワークの基礎であり、任意の実数値を0から1の範囲にマッピングします。この変換により、出力を確率として解釈できるようになり、例えば学習時間に基づいて学生の合格/不合格を予測することができます。しかし、この関数の真の起源は数学定数'e'、約2.71828にあり、これは連続複利から自然に現れます。100%の年利を提供する銀行を考えてみましょう：年複利の場合、$100は$200に成長します。半年複利の場合、金額は$225になり、複利の頻度が無限に増加するにつれて、成長係数は'e'に近づきます。この極限が指数関数的成長を定義し、シグモイド関数は本質的にこの指数関数的挙動の滑らかなバージョンであり、ニューラルネットワークの活性化に理想的です。この導出を理解することで、なぜシグモイドが使用されるのかが明確になり、深層学習における一般的な課題である勾配消失を軽減する役割が強調されます。