用于Keras极端罕见事件分类的LSTM自动编码器

在这里，我们将学习LSTM模型的数据准备细节，并构建用于稀有事件分类的LSTM Autoencoder。

这篇文章是我之前使用Autoencoders发布极端罕见事件分类的延续。在上一篇文章中，我们讨论了极少数事件数据中的挑战，其中正面标记数据少于1％。我们使用异常检测的概念为这些过程构建了一个自动编码器分类器。

但是，我们拥有的数据是一个时间序列。但是之前我们使用了Dense层自动编码器，它不使用数据中的时间特征。因此，在这篇文章中，我们将通过构建LSTM Autoencoder来改进我们的方法。

在这里，我们将学习：

LSTM模型的数据准备步骤，
构建和实现LSTM自动编码器，以及
使用LSTM自动编码器进行罕见事件分类。
快速回顾LSTM：

LSTM是一种递归神经网络（RNN）。一般而言，RNN和LSTM特别用于顺序或时间序列数据。
这些模型能够自动提取过去事件的影响。
LSTM因其能够提取过去事件的长期和短期影响而闻名。
在下文中，我们将直接开发LSTM Autoencoder。关于数据问题，我们有关于纸张制造的纸张断裂的实际数据。我们的目标是提前预测休息时间。有关数据，问题和分类方法的详细信息，请参阅使用自动编码器的极端罕见事件分类。

LSTM多变量数据自动编码器