Muchos procesos naturales y curvas de aprendizaje de sistemas complejos muestran una progresión temporal desde unos niveles bajos al inicio, hasta acercarse a un clímax transcurrido un cierto tiempo; la transición se produce en una región caracterizada por una fuerte aceleración intermedia. La función sigmoide permite describir esta evolución. Su gráfica tiene una típica forma de «S». A menudo la función sigmoide se refiere al caso particular de la función logística, cuya gráfica se muestra a la derecha y que viene definida por la siguiente fórmula:[1][2][3]
Otro ejemplo es la curva de Gompertz, usada en la modelización de sistemas que se saturan para grandes valores de t.
↑Escolano, Francisco (2003). Inteligencia artificial. Editorial Paraninfo. p. 96. ISBN978-84-973-2183-9.
↑Hernández López, Leonor (2006). Predicción y optimización de emisiones y consumo mediante redes neuronales (1 ed, 2 imp edición). Editorial Reverté, S.A. p. 53. ISBN978-84-291-4708-7.
↑Hadeler, K. (1982). «42». Matemáticas para biólogos (1 ed, 2 imp edición). Editorial Reverté, S.A. p. 138. ISBN978-84-291-1828-5.
Tom M. Mitchell, Machine Learning, WCB-McGraw-Hill, 1997, ISBN 0-07-042807-7. En particular véase "Chapter 4: Artificial Neural Networks" (p. 96-97) donde Mitchel usa la palabra "función logística" y "función sigmoide" como sinónimos (a esta función también la llama "la función que se aplasta" -"squashing function"-) y la función sigmoide (también conocida como logística) se usa para comprimir las salidas de las "neuronas" en redes neuronales multicapa.