# シグモイド関数をわかりやすく解説！ソフトマックス関数との違いやPython実装も！

> 本記事では、機械学習の分野において広く利用されているシグモイド関数について解説していきます！実際にPythonで実装して、理解を深めていきましょう！

- URL: https://toukei-lab.com/sigmoid-function
- 公開: 2025.10.01
- サイト: スタビジ（https://toukei-lab.com）

:::talk{who="umatan"}
本記事では、機械学習の分野において広く利用されているシグモイド関数について解説していきます！実際にPythonで実装して、理解を深めていきましょう！
:::

こんにちは！スタビジ編集部です！

機械学習の分野において広く利用されている**シグモイド関数**。

<mark>「聞いたことはあるけど、細かい数式とかはわからない！」という方も多いのではないでしょうか。</mark>

本記事では、そんな方に向けて、シグモイド関数の概要からPythonによる実装方法までをわかりやすく解説していきます！

## シグモイド関数とは？

シグモイド関数とは、下記の数式で表される関数です。

:::box
$\displaystyle f(x) = \frac{1}{1+e^{-x}}$
:::

図示するとこのようなグラフを描くことができます。

**![](/wp-content/uploads/2025/09/sigmoid_graph.jpg)**

数式や図を見るとわかるように、<mark>どんな入力値$x$に対しても0〜1の出力が返されることが特徴です。</mark>

このことから、シグモイド関数の出力は確率のように解釈することができます。

:::talk{who="umatan"}
確率のように解釈って、つまりどういうこと？
:::

具体例を用いて説明していきます。

例えば、「ある患者がA病という病気にかかっているかどうか」を判定する場合を考えてみましょう。

その患者に対して血液検査などを行った結果、1.4というスコアが算出されたとします（スコアの算出方法は独自で決まっているものとします）。

その値をシグモイド関数の入力$x$として渡すと、

$\displaystyle f(1.4) = \frac{1}{1+e^{-1.4}} ≒ 0.8$

となり、出力は約0.8となります。

つまり、この0.8は<mark>**その患者がA病にかかっている確率（=80%）**&#x3068;解釈することができるのです。</mark>

なお、病気にかかっているかどうか判定する場合は、閾値をあらかじめ設定しておくことが必要です（閾値を50%と設定した場合、50%以上であれば病気であると判定）。

この考えを応用したのが[ロジスティック回帰](/ロジスティック回帰)であり、上記のようなデータを学習することで、患者がA病であるかどうかを予測するモデルを作成することができます。

## ソフトマックス関数との違い

シグモイド関数と似た関数に、[ソフトマックス関数](/softmax)があります。

:::box
$\displaystyle φ(u_i) = \frac{e^{u_i}}{\sum_{k=1}^{N} e^{u_k}}$
:::

どちらも出力が0〜1となる関数ですが、<mark>ソフトマックス関数は複数の入力に対して複数の出力を返す</mark>、<mark>シグモイド関数は一つの入力に対して一つの出力を返す</mark>という違いがあります。

この性質から、シグモイド関数は**二値分類**に、ソフトマックス関数は**多値分類**に利用されています。

:::talk{who="umatan"}
ソフトマックス関数はシグモイド関数の拡張版とも言われているよ！
:::

ソフトマックス関数については以下の記事で詳しく解説しています！

<https://toukei-lab.com/softmax>

## シグモイド関数の利用場面

ここまでシグモイド関数について解説してきましたが、実際にはどのような場面で利用されているのでしょうか。

### 1. ロジスティック回帰

一番有名なのは、概要部分でも触れた[ロジスティック回帰](/ロジスティック回帰)でしょう。

:::box
$\displaystyle y = \frac{1}{1+e^{-z}}$
:::

モデル自体がシグモイド関数の形をしており、入力$z$の部分が、下記のような[重回帰モデル](/%e5%9b%9e%e5%b8%b0%e5%88%86%e6%9e%90)の形となっています。

:::box
$\displaystyle z = a_{1}x_{1} + a_{2}x_{2} + … +a_{n}x_{n} + b$
:::

**二値分類のためのモデル**として、様々な分野で活用されています。

### 2. 活性化関数

シグモイド関数は、[ニューラルネットワーク](/nn)の活性化関数として利用されることがあります。

シグモイド関数が活性化関数として利用されるのは**微分可能であること**が主な理由です。

微分可能であることにより、ニューラルネットワークにおける[誤差逆伝播法](/backpropagation)で活用することができます。

誤差逆伝播法については以下の記事で詳しく解説しています！

<https://toukei-lab.com/backpropagation>

## シグモイド関数をPythonで実装

それでは実際にシグモイド関数をPythonで実装していきましょう！

下記コードでは、冒頭で示した数式を定義し、matplotlibを使ってグラフを表示しています。

```python
import numpy as np
import matplotlib.pyplot as plt
import japanize_matplotlib

# シグモイド関数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# xの範囲を設定
x = np.linspace(-10, 10, 200)  # -10 から 10
y = sigmoid(x)

# グラフ描画
plt.figure(figsize=(6, 4))
plt.plot(x, y, label="f(x)", color="blue")

# 補助線
plt.axhline(0, color="black", linewidth=0.5, linestyle="--")
plt.axhline(1, color="black", linewidth=0.5, linestyle="--")
plt.axvline(0, color="black", linewidth=0.5, linestyle="--")

# タイトル等
plt.title("シグモイド関数")
plt.xlabel("x")
plt.ylabel("f(x)")
plt.legend()
plt.grid(True)

plt.show()
```

![](/wp-content/uploads/2025/09/sigmoid_python.jpg)

<mark>きちんと$f(x)$の範囲が0〜1に収まっていることがわかりますね！</mark>

## まとめ

ここまで、シグモイド関数の概要とPythonでの実装方法について解説してきました。

冒頭でも述べたように、シグモイド関数は様々な分野で広く利用されている関数です。

本記事で得た知識をもとに、ぜひ実務でも活用してみましょう！

さらに詳しくAIやデータサイエンスの勉強がしたい！という方は当サイト「スタビジ」が提供する[スタビジアカデミー](https://toukei-lab.com/achademy/)というサービスで体系的に学ぶことが可能ですので是非参考にしてみてください！

:::box
**AIデータサイエンス特化スクール「スタアカ」**

![スタアカ（スタビジアカデミー）のトップページ](/wp-content/uploads/2026/10/achademy-top.jpg)
:::

<table class="table">
<tbody>
<tr>
<th>【価格】</th>
<td>ライトプラン：1,280円/月（全コースが受講し放題）<br>
プレミアムプラン：129,800円（通常149,800円・買い切り）</td>
</tr>
<tr>
<th>【オススメ度】</th>
<td><span class="stars" role="img" aria-label="5点中5点" data-value="5"></span></td>
</tr>
<tr>
<th>【サポート体制】</th>
<td><span class="stars" role="img" aria-label="5点中4点" data-value="4"></span></td>
</tr>
<tr>
<th>【受講形式】</th>
<td>オンライン形式</td>
</tr>
<tr>
<th>【学習範囲】</th>
<td>統計学・機械学習・ディープラーニングを網羅的に学ぶ<br>
生成AI（LLM・RAG・プロンプトエンジニアリング）を学ぶ<br>
SQLとPythonを組み合わせて実データを使った様々なワークを行う<br>
実践的なビジネスフレームワークを学ぶ<br>
マーケティングの実行プラン策定</td>
</tr>
</tbody>
</table>

データサイエンティストとしての自分の経験をふまえてエッセンスを詰め込んだのがこちらのスタビジアカデミー、略して「[スタアカ](https://toukei-lab.com/achademy/)」！！

当メディアが運営するスクールです。

月額1,280円のライトプランで、統計学から機械学習・生成AIまで全コースが受講し放題です！

<mark>プレミアムプランでは、24時間以内の質問対応と現役データサイエンティストとの1on1（30分×4回）を実施します！</mark>

カリキュラム自体は、他のスクールと比較して圧倒的に良い自信があるのでぜひ受講してみてください！

他のスクールのカリキュラムはPythonでの機械学習実装だけに焦点が当たっているものが多く、実務に即した内容になっていないものが多いです。

<mark>そんな課題感に対して、実務で使うことの多いSQLや機械学習のビジネス導入プロセスの理解なども合わせて学べるボリューム満点のコース</mark>になっています！

Pythonが初めての人でも学べるようなカリキュラムにしておりますので是非チェックしてみてください！

ウォルマートのデータを使って商品の予測分析をしたり、実務で使うことの多いGoogleプロダクトのBigQueryを使って投球分析をしたり、データサイエンティストに必要なビジネス・マーケティングの基礎を学んでマーケティングプランを作ってもらったりする盛りだくさんの内容になってます！

:::box
**・BigQuery上でSQL、Google Colab上でPythonを使い野球の投球分析**\
**・世界最大手小売企業のウォルマートの実データを用いた需要予測**\
**・ビジネス・マーケティングの基礎を学んで実際の企業を題材にしたマーケティングプランの策定**\
**・生成AIのAPIを使ってチャットボットやAIエージェントを作る**
:::

::button[スタアカの受講はこちら]{href="https://toukei-lab.com/achademy/" note="＼今すぐ試す／"}