我有一个问题，到目前为止我无法在搜索中找到任何答案。
背景
我正在研究使用自动编码器的机器上的异常检测问题。我正在为每台机器构建一个模型文件，因为机器的时间行为变化很大。
我有5个特点：
我尝试使用归一化（MinMaxScaler 和 StandardScaler）来缩放数值特征，但这根本没有产生很好的结果。
作为缩放输入的替代方法 - 我决定使用 scikit 的 MinMaxScaler 来缩放输出。这样我就可以有 1 个通用阈值，我可以将其应用于不同的模型来识别异常。
尽管到目前为止这已经产生了最好的结果 - 在实践中，输出变得过于两极分化为 0 或 1，因此我错过了我不应该的异常值。
问题
我可以在我的自动编码器的输出上使用什么缩放技术，以便我可以在所有模型中应用 1 个通用阈值来识别异常？
我总是建议使用StandardScaler()而不是MinMaxScaler(). 原因是后者对异常值过于敏感。想象一下在 [0, 1] 区间内缩小给定向量：
[1, 2, 3, 4, 999]
您的大部分数据将被压缩在 [0, 1] 区间的微小子空间中，从而导致荒谬的压缩。如果您使用StandardScaler(). 鉴于您正在尝试检测异常观察结果，这看起来特别相关。（只有当我确定给定变量在给定的值范围内时，我才会使用 min-max 缩放。）
但最重要的是：你的输出有什么问题？据我们所知，它们可能不是由于缩放。
更新：
最近，我发现一种非常有效的缩放技术是健壮的 min-max scaling。它的工作原理就像一个最小值-最大值，但不是在最小值和最大值之间完成，而是在最小值和某个百分位数之间完成（通常在 95-99 之间）。当您的数据集遭受非常少（但影响较大）的异常值时，这非常有效。此方法可确保 95-99% 的数据集正确缩放[0,1]，而很少有异常值会超出范围值。
我可以在我的自动编码器的输出上使用什么缩放技术，以便我可以在所有模型中应用 1 个通用阈值来识别异常？
馊主意。
因为：
我正在为每台机器构建一个模型文件，因为机器的时间行为变化很大。
自动编码器将尝试学习机器输出的一般表示（或其执行统计数据 - 或者您可以从机器行为中获得的任何数字）并将其理解为机器的一般图像。这是暂时的，所以如果您有两台机器：
这是一个简单的问题，但是：
没有缩放会使这两个异常在一个尺度上结合在一起（可以进行思想实验，绘制每日 CPU 使用情况，然后尝试对这两个函数执行功能转换，以使它们看起来相同）。
一个在不同时间具有与另一个非常不同的值这一事实使关系非线性。此外，这种关系也不能以微不足道的非线性方式等同，例如：要等同于两个 CPU 使用函数的导数，需要导数非常高，以至于两个导数都为零 - 这意味着一个人将丢失有关数据的所有信息那一点。