我想问是否有可能（而不是它是否有意义）使用变分自动编码器进行特征提取。我问是因为对于编码部分，我们从分布中采样，然后这意味着相同的样本可以有不同的编码（由于采样过程中的随机性）。谢谢！
【问题讨论】：
标签： machine-learning artificial-intelligence probability feature-extraction
是的，vae 或稀疏自动编码器的特征提取目标是相同的。 一旦有了编码器插件，就可以对提取的特征进行分类。
最好的问候，
【讨论】：
是的，编码器网络的输出可以用作您的特征。
试想一下：使用编码器网络的输出作为输入，解码器网络可以为您生成与旧图像非常相似的图像。因此，编码器网络的输出几乎涵盖了原始图像中的大部分信息。换句话说，它们是您的原始图像与其他图像区分开来的最重要特征。
您唯一需要注意的是，变分自编码器是一种随机特征提取器，而特征提取器通常是确定性的。您可以使用均值和方差作为提取的特征，也可以使用蒙特卡罗方法，将均值和方差定义的高斯分布绘制为“采样提取特征”。
【讨论】：
是的，你可以。 我使用以下代码从我的数据集中提取重要特征。
prostate_df <- read.csv('your_data')
prostate_df <- prostate_df[,-1] # first column.
train_df<-prostate_df
outcome_name <- 'subtype' # my label column
feature_names <- setdiff(names(prostate_df), outcome_name)
library(h2o)
localH2O = h2o.init()
prostate.hex<-as.h2o(train_df, destination_frame="train.hex")
prostate.dl = h2o.deeplearning(x = feature_names,
#y="subtype",
training_frame = prostate.hex,
model_id = "AE100",
# input_dropout_ratio = 0.3, #Quite high,
#l2 = 1e-5, #Quite high
autoencoder = TRUE,
#validation_frame = prostate.hex,
#reproducible = T,seed=1,
hidden = c(1), epochs = 700,
#activation = "Tanh",
#activation ="TanhWithDropout",
activation ="Rectifier",
#activation ="RectifierWithDropout",
standardize = TRUE,
#regression_stop = -1,
#stopping_metric="MSE",
train_samples_per_iteration = 0,
variable_importances=TRUE
)
label1<-ncol(train_df)
train_supervised_features2 = h2o.deepfeatures(prostate.dl, prostate.hex, layer=1)
plotdata = as.data.frame(train_supervised_features2)
plotdata$label = as.character(as.vector(train_df[,label1]))
library(ggplot2)
qplot(DF.L1.C1, DF.L1.C2, data = plotdata, color = label, main = "Cancer Normal Pathway data ")
prostate.anon = h2o.anomaly(prostate.dl, prostate.hex, per_feature=FALSE)
head(prostate.anon)
err <- as.data.frame(prostate.anon)
h2o.scoreHistory(prostate.dl)
head(h2o.varimp(prostate.dl),10)
h2o.varimp_plot(prostate.dl)
【讨论】：