Autoencoder算法（自编码器）

Autoencoder算法是一种常见的基于神经网络的无监督学习降维算法。

自编码器的作用是利用神经网络将高维数据转换成低维数据，与主成分分析（PCA）类似，但克服了PCA的线性限制。

Autoencoder包含两个主要部分：encoder (编码器)和decoder (解码器)。encoder的作用是压缩原始高维输入数据，decoder是重建原始高维输入数据。

其基本结构图如下所示，输入样本长度与输出结果长度相同，训练网络时的标签就是输入样本本身，即整个网络“输入=输出”。
当训练结束后，得到的最终结果就是四个参数矩阵W1、W2、W3、W4，此时再将原始样本依次与W1、W2相乘就得到了低维度的表示（图中的Code），从而实现高维数据的压缩，然后这个Code就可以作为其他处理的输入。

注意：下图只是Autoencoder模型的一个示意图，实际上中间有多少层、每层有多少个节点、最后用那一层的输出结果、网络是否对称都没有固定模式，比较确定的是Input和Output长度相同，且以Input作为标签进行训练，即网络训练的目标是使Output尽量与Input一致。

autoencoder.png

Autoencoder算法用于异常检测

异常检测（Anomaly detection）通常分为有监督和无监督两种情形。但大部分情况下都是无监督问题，实际中很难获取足够多足够丰富的异常样本，更多的是正常样本。通常认为异常样本和正常样本服从不同的分布，如果有准确识别正常样本的能力，则异常样本就能被间接识别。
用所有正常样本训练Autoencoder模型，如果新样本是正常样本，则经过模型计算的Output与样本（Input）差异很小，如果是异常样本，则模型输出与样本之间的差异就会很大，以此作为判断是否是异常样本的标志。（注：对于一个训练好的Autoencoder模型，即使新的输入样本是异常样本，其输出依然会比较接近正常样本，因此输入和输出之间会出现比较大的差异。）

anomaly detection.png