为何在深度学习二元分类任务中使用线性层？

• 实现基础特征映射：线性层的核心是y = Wx + b的线性变换，能把输入的原始特征（比如甲状腺分类任务里的患者各项生理指标）转换成新的特征空间，先让模型掌握特征和分类标签之间最基础的线性关联——这是学习复杂模式的第一步，毕竟不少真实场景里，特征和分类结果本身就存在一定线性趋势。
• 为非线性学习打基础：单独线性层只能处理线性可分的问题，但大部分二元分类任务都不是纯线性可分的。把线性层和ReLU、Sigmoid这类激活函数搭配，就能堆叠出多层感知机（MLP），让模型能捕捉特征之间的复杂交互关系，拟合非线性的分类边界。
• 适配二元分类的输出需求：二元分类最终需要输出0-1区间的概率值来表示样本属于正类的可能性。最后一层线性层负责整合前面学到的所有特征，再配合Sigmoid激活函数，就能把结果压缩到0-1区间，刚好满足二元分类的输出要求。
• 兼顾训练效率与可解释性：线性层的参数更新计算简单，反向传播时梯度推导清晰，训练起来更快更稳定。同时，线性层的权重还能在一定程度上体现特征对分类结果的影响程度——权重绝对值越大，对应特征对分类的贡献越高，这在医疗类分类任务里很实用，能帮人理解模型的决策逻辑。

内容的提问来源于stack exchange，提问作者question_guy