通过训练具有小型中心层的多层神经网络重构高维输入向量，可以将高维数据转换为低维代码。这种神经网络被命名为自编码器_Autoencoder_。
自编码器是_非线性_降_维_ 技术用于特征的无监督学习，它们可以学习比主成分分析效果更好的低维代码，作为降低数据维数的工具。
异常心跳检测
如果提供了足够的类似于某种底层模式的训练数据，我们可以训练网络来学习数据中的模式。异常测试点是与典型数据模式不匹配的点。自编码器在重建这些数据时可能会有很高的错误率，这表明存在异常。
该框架用于使用深度自编码器开发异常检测演示。该数据集是心电图ECG 时间序列（查看文末了解数据获取方式），目标是确定哪些心跳是异常值。训练数据（20 个“好”心跳）和测试数据（为简单起见附加了 3 个“坏”心跳的训练数据），如下所示。每行代表一个心跳。
init() PATH = os.path.expanduser("~/") import_file(PATH + "train.csv") import_file(PATH + "test.csv")
探索数据集。
tra.shape # 将框架转置，将时间序列作为一个单独的列来绘制。 plot(legend=False); # 不显示图例
在训练数据中，我们有 20 个时间序列，每个序列有 210 个数据点。请注意，所有线条都很紧凑并且形状相似。重要的是要记住，在使用自编码器进行训练时，您只想使用 VALID 数据。应删除所有异常。
现在让我们训练我们的神经网络
Estimator( activation="Tanh", hidden=\[50\], ) model.train model
我们的神经网络现在能够对 时间序列进行 _编码_。
现在我们尝试使用异常检测功能计算重建误差。这是输出层和输入层之间的均方误差。低误差意味着神经网络能够很好地对输入进行编码，这意味着是“已知”情况。高误差意味着神经网络以前没有见过该示例，因此是异常情况。
anomaly(test )
现在的问题是：哪个 test 时间序列最有可能是异常？
我们可以选择错误率最高的前 N 个
df\['Rank'\] = df\['MSE'\].rank sorted
dfsorted\[MSE'\] > 1.0
datT.plot
daT\[anindex\].plot(color='red');
带监督微调的无监督预训练
有时，未标记的数据比标记的数据多得多。在这种情况下，在未标记数据上训练自编码器模型，然后使用可用标签微调学习模型是有意义的。
结论
在本教程中，您学习了如何使用自编码器快速检测时间序列异常。
