我有一个关于使用自动编码器进行异常检测/新颖性检测的特征归一化/标准化(缩放(的问题。通常在ML问题中，我们会对训练集/测试集进行拆分。在列车上拟合正常/标准缩放器，并使用它来转换(Not Fit_transform(测试数据。但是，在异常检测/新颖性检测中，我们如何只使用"正常"数据(而不是任何"异常"(来训练异常检测器？在这里，训练数据不会代表测试数据，因为它只在"正常"数据上学习，因此在给定"异常"数据时会产生重建错误。在这里，我们应该对列车数据进行归一化，并使用它来转换异常吗？我认为这是不恰当的。如果能产生解释性结果，那么可以单独缩放列车和测试数据吗？
您的测试集应该包含正常和异常数据点，并且；正常的"；积分必须与您的训练数据相似。因此，您可以像往常一样对训练数据进行缩放/规范化。
javascript python java c# php android html jquery c++ css ios sql mysql arrays asp.net json python-3.x ruby-on-rails .net sql-server django objective-c excel regex ruby linux ajax iphone xml vba spring asp.net-mvc database wordpress string postgresql wpf windows xcode bash git oracle list vb.net multithreading eclipse algorithm macos powershell visual-studio image forms numpy scala function api selenium