AI ninja project [day 21] 自动编码器 Autoencoders

可以先看看Autoencoders的构造，

将原始的numpy array 或是tensor(可能是图片、音乐或是一串数字特徵)，
利用编码器层转换成降维的压缩资讯，
再利用解码器扩展成原来的维度。

参考页面:
https://www.tensorflow.org/tutorials/generative/autoencoder?hl=zh_tw

参考colab:
https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/tutorials/generative/autoencoder.ipynb?hl=zh_tw

官网的攻略主要有三个范例，
可以由第一个范例发现，通过了Autoencoders之後，
图片会变得比较模糊。
而第二个范例是说明如何来使用Autoencoders去噪。

这里是看到三个范例的用法，
利用心电图资料集来建立区分正常的心电图及异常的心电图。

载入资料集，可以发现140的栏位为label，1代表正常的心电图，
0代表异常，而前面栏位的特徵是由心电图转换而来的:

切分训练集 及 测试集，以及各自的标签:

将训练集 及 测试集进行正规化，特徵都介於0-1之间:

我们之後只拿正常的心电图来训练，
所以重点在normal_train_data、normal_test_data那两行:

我们可以先查看一张正常的心电图:

以及一张异常的心电图:

搭建 Autoencoders，
优化器用adam，损失函数用mae:

进行训练:

将损失函数作图:

以预测值及正常心电图的平均绝对误差作图:

以平均绝对误差的平均值加上平均绝对误差的标准差当作判断心电图是否正常的阈值:

(选定标准可以自己建立，我是认为如果用p value说不定也可以用来建立判断标准)

那我们可以预测心电图是否异常:

查看模型准确度:

参考资料:
https://blog.keras.io/building-autoencoders-in-keras.html