Anomalidetektion med rekonstruktionsfejl
Markér outliers, som modellen ikke kan genskabe.
Anomalidetektion med rekonstruktionsfejl er en gratis Deep Learning Academy-lektion på CoddyKit. Dette er lektion 4 af 4. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Deep Learning Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Deep Learning Academy-kurset indeholder 4 lektioner i alt.
Find den, der skiller sig ud
Autoencodere er gode til at finde anomalier: datapunkter, der ikke passer ind i det normale mønster. Ideen er smart og overraskende enkel.
Træn kun på normale data
Du træner autoencoderen udelukkende på normale data. Den bliver ekspert i at genskabe den slags input, som den har set mange gange.
Rekonstruktionsfejlen er signalet
For hvert input måler du rekonstruktionsfejlen: hvor langt genskabelsen ligger fra originalen. Dette ene tal driver hele metoden.
error = ((x - model(x)) ** 2).mean()Normale data genskabes rent
Velkendte, normale input genskabes med lav fejl. Modellen har lært deres struktur, så outputtet ligner inputtet tæt.
Anomalier genskabes dårligt
En anomali ligner ikke træningsdata, så modellen genskaber den dårligt. Det giver en høj rekonstruktionsfejl. 🚩
Vælg en tærskel
Du sætter en tærskel for fejlen. Alt over den markeres som en anomali, mens alt under den regnes som normalt.
is_anomaly = error > thresholdValg af tærskel
Et almindeligt trick er at se på fejlene i et rent valideringssæt og vælge en høj percentil, for eksempel den 95., som grænseværdi.
threshold = np.percentile(val_errors, 95)Ingen anomalimærkater nødvendige
Du behøver aldrig mærkede anomalier til træningen. Det gør metoden ideel, når dårlige eksempler på forhånd er sjældne eller ukendte.
Her skinner metoden
Metoden bruges til svindeldetektion, registrering af fabriksfejl og alarmer om netværksindtrængen – alle steder, hvor det normale er almindeligt, og problemer er sjældne.
Vær opmærksom på afvejningen
En lav tærskel fanger flere anomalier, men øger antallet af falske alarmer. En høj tærskel forbliver stille, men kan overse rigtige problemer. Justér efter omkostningen ved fejl.
Hold øje med ændringer
Hvis normal adfærd ændrer sig over tid, kan gamle fejlresultater vildlede dig. Træn igen, eller kalibrér på ny, så du kan håndtere denne ændring og bevare præcise alarmer.
Hurtigt tjek
Hvordan markerer en autoencoder en anomali?
Opsummering
Træn på normale data, mål hvert inputs rekonstruktionsfejl, og markér alt over din tærskel. Ingen anomalimærkater er nødvendige. 🎉
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 30
- Lektioner
- 120
Ofte stillede spørgsmål
Er lektionen “Anomalidetektion med rekonstruktionsfejl” gratis?
Ja — hele teksten til “Anomalidetektion med rekonstruktionsfejl” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Deep Learning Academy-kurset, skal du opgradere til CoddyKit PRO. Deep Learning Academy-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “Anomalidetektion med rekonstruktionsfejl”?
Markér outliers, som modellen ikke kan genskabe. Du øver dig i Deep Learning Academy med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Deep Learning Academy?
Der kræves ingen tidligere erfaring. Deep Learning Academy på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 4 af 4.
Hvor lang tid tager lektionen “Anomalidetektion med rekonstruktionsfejl”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Deep Learning Academy-lektion?
Ja. Alle Deep Learning Academy-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Encoder, bottleneck og decoder
- Denoising-autoencodere
- Variational autoencodere og det latente rum
- Anomalidetektion med rekonstruktionsfejl