Autoenkoodaajat ovat neuroverkkoja, joita käytetään valvomattomaan oppimiseen merkityksellisiä ominaisuuksia aineistosta poimimiseksi. Ne ovat tehokkaita ulottuvuudellisuuden vähentämisessä ja olennaisten mallien kaappaamisessa ilman tunnuksia. Tässä artikkelissa selitetään, miten automaattikoodaajat rakennetaan ominaisuuskoodaamiseen.

Autoenkoodaajien ymmärtäminen

Autoenkooderi koostuu koodain ja dekooderi. Koodain kokoaa syötetiedot alemman ulottuvuuden edustukseen, jota kutsutaan piileväksi tilaksi. Dekoodaaja rekonstruoi alkuperäisen datan tästä pakatusta muodosta. Tavoitteena on minimoida ero syötteen ja ulostulon välillä koulutuksen aikana.

Autoenkoodaajan rakentaminen

Rakentaa autoenkooderi, määritellä arkkitehtuurin kanssa syöte, piilotettu, ja tuloste kerroksia. Koodain vähentää datan mitat, kun dekoodaaja yrittää rekonstruoida alkuperäisen syötteen. Käytä aktivointi toimintoja kuten ReLU tai sigmoid tuoda epälineaarisuus.

Kouluta autoenkooderi käyttäen datasettia, optimoimalla tappiofunktio kuten keskimääräinen neliövirhe. Kun olet koulutettu, koodaajan osa voidaan käyttää poimia ominaisuuksia uudesta datasta, jota voidaan soveltaa eri koneoppimisen tehtäviä.

Autoenkoodaajien sovellukset

Autoenkoodaajia käytetään useilla aloilla, kuten:

  • Dimensiokyvyn vähentäminen
  • Anomaattisesti havaittava
  • Tietojen denesointi
  • Luokituksen ominaisuus