14、深度学习中的异常检测：自编码器与生成对抗网络

深度学习中的异常检测：自编码器与生成对抗网络

1. 稀疏自编码器

在简单自编码器中，其表示仅受隐藏层大小（如12个单元）的约束，此时隐藏层通常在学习主成分分析（PCA）的近似。而稀疏自编码器则是通过对隐藏表示的活动添加稀疏性约束，使在给定时间内更少的单元被激活，以此来约束表示的紧凑性。在Keras中，可通过为 Dense 层添加 activity_regularizer 来实现。

操作步骤

1. 数据加载 ：使用信用卡数据集，将数据加载到Pandas DataFrame中。
2. 数据收集与划分 ：收集20,000条正常记录和400条异常记录，也可选择不同比例，但通常使用更多正常数据示例更好。将数据集按80 - 20的比例划分为训练集和测试集。代码可在 GitHub 上找到。
3. 模型创建 ：创建的神经网络模型输出如下：

Model: "model_1"
______________________________________________