我尝试构建一个LSTM模型，该模型接收整数序列作为输入，并输出每个整数出现的概率。如果这个概率低，那么该整数应该被视为异常。我尝试按照这个教程进行 – https://towardsdatascience.com/lstm-autoencoder-for-extreme-rare-event-classification-in-keras-ce209a224cfb，特别是我的模型来自于那里。我的输入看起来像这样：

[[[3]  [1]  [2]  [0]] [[3]  [1]  [2]  [0]] [[3]  [1]  [2]  [0]]

然而我无法理解我获得的输出是什么。

[[[ 2.7052343 ]  [ 1.0618575 ]  [ 1.8257084 ]  [-0.54579014]] [[ 2.9069736 ]  [ 1.0850943 ]  [ 1.9787762 ]  [ 0.01915958]] [[ 2.9069736 ]  [ 1.0850943 ]  [ 1.9787762 ]  [ 0.01915958]]  

这是重构误差吗？还是每个整数的概率？如果是，为什么它们不在0-1范围内？我将不胜感激，如果有人能解释这一点。

模型：

time_steps = 4features = 1train_keys_reshaped = train_integer_encoded.reshape(91, time_steps, features)test_keys_reshaped = test_integer_encoded.reshape(25, time_steps, features)model = Sequential()model.add(LSTM(32, activation='relu', input_shape=(time_steps, features), return_sequences=True))model.add(LSTM(16, activation='relu', return_sequences=False))model.add(RepeatVector(time_steps)) # 转换2D输出为解码器预期的3Dmodel.add(LSTM(16, activation='relu', return_sequences=True))model.add(LSTM(32, activation='relu', return_sequences=True))model.add(TimeDistributed(Dense(features)))adam = optimizers.Adam(0.0001)model.compile(loss='mse', optimizer=adam)model_history = model.fit(train_keys_reshaped, train_keys_reshaped,                          epochs=700,                          validation_split=0.1)predicted_probs = model.predict(test_keys_reshaped) 

回答：

如你所说，这是一个自编码器。你的自编码器尝试重建你的输入。如你所见，输出值与输入值非常接近，没有很大的误差。因此自编码器训练得很好。

现在，如果你想在你的数据中检测异常值，你可以计算重构误差（可以是输入和输出之间的均方误差）并设定一个阈值。

如果重构误差超过阈值，那么它将被视为异常值，因为自编码器没有被训练来重建异常数据。

这个图表更好地表达了这个想法：

希望这对你有帮助；）