自动编码器在异常检测中的优化与实践
在异常检测领域，自动编码器是一种常用的技术。我们可以通过调整自动编码器的结构和参数，来提高其在异常检测任务中的性能。下面将详细介绍几种不同结构和激活函数的自动编码器的实验情况。
1. 添加更多隐藏层
为了提升自动编码器的性能，我们尝试添加额外的隐藏层。目前继续使用线性激活函数。具体来说，将原本单个包含27个节点的隐藏层，改为一个有28个节点和另一个有27个节点的隐藏层，形成一个三层的神经网络（两个隐藏层加输出层，输入层不计入层数）。
以下是实现该结构的代码：
# Model two # Three layer undercomplete autoencoder with linear activation # With 28 and 27 nodes in the two hidden layers, respectively model = Sequential() model.add(Dense(units=28, activation='linear',input_dim=29)) model.add(Dense(units=27, activation='linear')) model.add(Dense(units=29, activation='linear'))经过10次运行，平均精度的均值为0.36，比之前的0.53更差，且平均精度的离散程度也更差，变异系数为0.94（值越高越差）。具体的平均精度分布如下：
| 运行次数 | 平均精度 |
| ---- | ---- |
| 1 | 0.
