每个特征的Keras自动编码器重建错误

我看到h2o每个特征都有一个异常参数重建错误，Keras有这样的选择吗？我想改变我的测试数据集中的几个案例，这些案例的重建误差会大得多，所以我想每个特征的重建会对我有帮助，或者你对影响重建有另一个建议？我的模型精度相当好，我认为：

---

0s-损耗：0.0768-acc:0.9563-val_损耗：0.1227-val_acc:0.9522

使用精度作为度量标准时要小心。如果您正在进行异常检测，那么您的数据集很可能是高度倾斜的（这确实是少数异常示例）。如果这是真的，那么准确度可能是一个有偏差的指标，因为您的模型可以决定始终将其分类为非异常，并且仍然可以获得良好的准确度（按照比例，您的训练集肯定有很多非异常）。其他有用的指标可能是精确度和召回率。祝你好运。谢谢你的评论。是的，你的小修正是正确的，我将尝试异常检测，但在这一阶段，我在没有y变量的情况下获得了准确度，即阶级历史=自动编码器。拟合（X_序列，X_序列，历元=nb_历元，批次大小=批次大小，洗牌=假，#bilo je真，验证数据=（X_测试，X_测试），verbose=1，回调=[checkpointer，tensorboard]）.History现在我想创建异常，即更改少数案例的特征，将该行标记为1，这将意味着异常类。我不知道的是如何更改案例，使其相对于数据集其余部分的RE产生相当大的重建错误。我看明天是否可以回答（这里晚了）。我还看到，你最后的评论实际上是在问你的帖子所说的其他问题。你能试着编辑你的问题，以清楚地说明你想做什么或你想要的结果吗？此外，如果你有错误，展示你所做的会有很大帮助，因此你的问题不会太宽泛。我认为这是我最好的回答关于每项功能的问题保持开放。我认为，生成异常是解决上述问题的下一个问题。当使用准确性作为度量标准时，请注意。如果您正在进行异常检测，则您的数据集可能是高度倾斜的（这是非常少的异常示例）。如果这是真的，那么准确度可能是一个有偏差的指标，因为您的模型可以决定始终将其分类为非异常，并且仍然获得良好的准确度（按照比例，您的训练集肯定有很多非异常）。其他有用的指标可能是精度和召回率。祝你好运。谢谢你的评论。是的，你的评论很正确，但我会尝试异常检测，但在这个阶段，我在没有y变量的情况下获得了精度，即class history=autoencoder.fit（X_列，X_列，epochs=nb_epoch，batch_size=batch_size，shuffle=False，bilo-je-True，验证数据=（X_测试，X_测试），verbose=1，回调=[检查点，张力板]）.History现在我想创建异常，即更改少数案例的特征，将该行标记为1，这将意味着异常类。我不知道的是如何更改案例，使其相对于数据集其余部分的RE产生相当大的重建错误。我看明天是否可以回答（这里晚了）。我还看到，你最后的评论实际上是在问你的帖子所说的其他问题。你能试着编辑你的问题，以清楚地说明你想做什么或你想要的结果吗？此外，如果你有错误，展示你所做的会有很大帮助，因此你的问题不会太宽泛。我认为这是我最好的回答关于每项功能的问题保持开放。生成异常是解决我上面问题的下一个问题，我想。