关于那个autoencode有没有出来解惑一下的。

还有啊，这个是将有监督换成无监督来测验分类的效果

那无监督，最后只能得到一个还原误差，怎么知道截断点在哪

你可以把还原误差想象为“概率”的。如果你用predict_proba得到一串概率，那你的截断点在哪儿？

如果你把每个可行的截断点都试一遍，是不是就得到了很多precision和recall，连起来不就是precession-recall的曲线嘛

同理，你也可以得到很多的FPR和TPR，连起来就是ROC曲线了

对于概率，你知道你的截断点是0.5，但是往往你也可以自己设置一个截断点。这里是还原误差，你可以设置数值，也可以设置为X百分位点，默认其中百分之X都是异常。

在真实情况下，这个截断点的选择要么是根据前提信息（prior info），要么是根据真实的异常值在roc曲线或者pr曲线上选择截断点的。

这一点是和稀疏情况下的二元分类问题类似的，在非平衡状态下，一般不会用0.5作为阈值点，而是根据业务需求来选择截断点。即使是平衡的二元分类问题，有时也会选择其他阈值，而非总是固定在0.5。

总体上来说，这是precision和recall的trade-off，或者是TPR和FPR的trade-off。取决于整个商业决策是保守还是激进等因素。