我们放置了一个传感器来检测加速度计中的异常。
只有一个传感器，所以我的数据是一维阵列。
我尝试使用LSTM自动编码器进行异常检测。
但我的模型没有起作用，因为训练和验证集的损失在减少，但准确性没有变化。
这是我的代码和培训日志：
dim = 1
timesteps = 32
data.shape = (-1,timesteps,dim)
model = Sequential()
model.add(LSTM(50,input_shape=(timesteps,dim),return_sequences=True))
model.add(Dense(dim))
lr = 0.00001
Nadam = optimizers.Nadam(lr=lr)
model.compile(loss='mae', optimizer=Nadam ,metrics=['accuracy'])
EStop = EarlyStopping(monitor='val_loss', min_delta=0.001,patience=150, verbose=2, mode='auto',restore_best_weights=True)
history = model.fit(data,data,validation_data=(data,data),epochs=2000,batch_size=64,verbose=2,shuffle=False,callbacks=[EStop]).history
培训日志
Train on 4320 samples, validate on 4320 samples
Epoch 1/2000
- 3s - loss: 0.3855 - acc: 7.2338e-06 - val_loss: 0.3760 - val_acc: 7.2338e-06
Epoch 2/2000
- 2s - loss: 0.3666 - acc: 7.2338e-06 - val_loss: 0.3567 - val_acc: 7.2338e-06
Epoch 3/2000
- 2s - loss: 0.3470 - acc: 7.2338e-06 - val_loss: 0.3367 - val_acc: 7.2338e-06
...
Epoch 746/2000
- 2s - loss: 0.0021 - acc: 1.4468e-05 - val_loss: 0.0021 - val_acc: 1.4468e-05
Epoch 747/2000
- 2s - loss: 0.0021 - acc: 1.4468e-05 - val_loss: 0.0021 - val_acc: 1.4468e-05
Epoch 748/2000
- 2s - loss: 0.0021 - acc: 1.4468e-05 - val_loss: 0.0021 - val_acc: 1.4468e-05
Restoring model weights from the end of the best epoch
Epoch 00748: early stopping
- 正如Matias在评论字段中指出的那样，您正在进行回归，而不是分类。精度不会给出回归的预期值。也就是说，你可以看到的准确性确实有所提高(从0.0000072提高到0.0000145(。检查模型的直接输出，以检查它与原始时间序列的近似程度
- 当验证数据与训练数据相同时，可以安全地省略验证数据
- 利用自动编码器，通常，您希望以某种方式压缩数据，以便能够以较低的维度表示相同的数据，这样更容易分析(异常或其他情况(。在您的情况下，您是在扩展维度，而不是减少维度，这意味着自动编码器的最佳策略是通过它获得的相同值(时间序列的值被发送到50个LSTM单元，后者将结果发送到1个密集单元(。如果将return_sequence设置为False(即只返回上一个时间步长的结果(，最好是将其设置为多个单位，然后尝试从中重建时间序列，则可能能够解决此问题。它可能会失败，但仍有可能带来更好的模式
As@MatiasValdenegro说，当你想进行回归时，不应该使用准确性。你可以看到，你的模型可能很好，因为你的损失在各个时期都在减少，并且在提前停止时非常低。在回归问题中，通常使用这些度量：
-
均方误差：均方误差、MSE或MSE
-
平均绝对误差：Mean_Absolute_Error、MAE、MAE
-
平均绝对百分比误差：Mean_Absolute_Percentage_Error，MAPE，mape
-
余弦接近度：余弦_最大值，余弦
资源
为了获得正确的度量，你应该改变这一点(例如，对于"均方误差"(：
model.compile(loss='mae', optimizer=Nadam ,metrics=['mse'])
如前所述，您的模型似乎很好，您只是看到了错误的指标。
希望这能有所帮助，请随意询问。
当您面临这个问题时，提前停止并不是正则化的最佳技术。至少，当你还在努力修复它的时候，我宁愿把它去掉，或者用其他正则化方法代替它。弄清楚会发生什么。
还有另一个建议。你能稍微更改一下验证集，看看行为是什么吗？您是如何构建验证集的？
您是否规范化/标准化了数据？请注意，规范化对于LSTM 更为重要
度量肯定是个问题。以上建议很好。