我对自动编码器进行了一些研究，并且我了解到它们也可以用于特征提取（请参阅本网站上的这个问题作为示例）。那里的大多数示例似乎都集中在应用于图像数据的自动编码器上，但我想将它们应用于更通用的数据集。

因此，我使用kerasPython 中的框架实现了一个自动编码器。为简单起见，为了测试我的程序，我已经针对Iris Data Set对其进行了测试，告诉它将我的原始数据从 4 个特征压缩到 2 个，以查看它的行为。

编码器似乎在压缩数据方面发挥了作用（编码器层的输出确实只显示了两列）。然而，这两列的值并没有出现在原始数据集中，这让我觉得自动编码器在后台做一些事情，选择/组合特征以获得压缩表示。

这是完整的工作示例：

from pandas import read_csv
from numpy.random import seed
from sklearn.model_selection import train_test_split
from keras.layers import Input, Dense
from keras.models import Model

# Get input data and separate features from labels
df = read_csv("iris.data")
Y = df.iloc[:,4]
X = df.iloc[:, : 4]

# Split data set in train and test data
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, train_size=0.5, random_state=seed(1234))

# Input information
col_num = X.shape[1]
input_dim = Input(shape=(col_num,))

# Encoding information
encoding_dim = 2
encoded = Dense(encoding_dim, activation='relu')(input_dim)
# Decoding information
decoded = Dense(col_num, activation='sigmoid')(encoded)
# Autoencoder information (encoder + decoder)
autoencoder = Model(input=input_dim, output=decoded)

# Train the autoencoder
autoencoder.compile(optimizer='adadelta', loss='mean_squared_error')
autoencoder.fit(X_train, X_train, nb_epoch=50, batch_size=100, shuffle=True, validation_data=(X_test, X_test))

# Encoder information for feature extraction
encoder = Model(input=input_dim, output=encoded)
encoded_input = Input(shape=(encoding_dim,))
encoded_output = encoder.predict(X_test)

# Show the encoded values
print(encoded_output[:5])

这是此示例的输出：

[[ 0.28065908  6.151131  ]
 [ 0.8104178   5.042427  ]
 [-0.          6.4602194 ]
 [ 3.0278277   2.7351477 ]
 [ 0.06134868  5.064625  ]]

基本上，我的想法是使用自动编码器从原始数据集中提取最相关的特征。然而，到目前为止，我只设法让自动编码器压缩数据，但并没有真正了解最重要的功能是什么。

因此，我的问题是：有什么方法可以了解自动编码器正在考虑哪些特征来压缩数据，以及它们究竟是如何用于获得 2 列压缩表示的？