波形を異常検知させたい(断続的な波形データ)

# モジュールインポート
import os
from glob import glob

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

from sklearn.preprocessing import MinMaxScaler
import tensorflow as tf
from tensorflow.keras import layers,Model
from tensorflow.keras.layers import Input,Dense
from tensorflow.keras import regularizers

##### データの準備 #####
#フォルダ分けしてますが中身は同じです
# データ読み込み - train
Train_Csv_Path = "./csv/train/*.csv"
Train_Csv_Paths = glob(Train_Csv_Path)[0]

# データ読み込み - test 
Test_Csv_Path = "./csv/test/*.csv"
Test_Csv_Paths = glob(Test_Csv_Path)[0]
##### データの準備 #####


##### CSV読み込み ######
def Csv_Read(csv_path):
    df = pd.read_csv(csv_path, encoding="shift-jis", skiprows=[1])

    # データフレームを必要データに絞る
    an_df = pd.DataFrame(df["電動ｼﾘﾝﾀﾞｰｽﾄﾛｰｸ値"])

    return an_df

Train_df = Csv_Read(Train_Csv_Paths)
Test_df = Csv_Read(Test_Csv_Paths)
##### CSV読み込み ######


##### データを分割する #####
def subseq(x, w):
    seq = np.zeros((len(x) - w + 1, w))
    x_np = x.iloc[:, 0]
    for i in range(len(x) - w + 1):
        seq[i, :] = x_np[i:w+i]
    return pd.DataFrame(seq)

w_size = 100 # ウィンドウサイズ この考え方わからない→とりあえずテキトー
X_train = subseq(Train_df, w_size)
X_test = subseq(Test_df, w_size)
print(X_train.shape)
print(X_test.shape)
##### データを分割する #####



##### 正規化 #####
sc = MinMaxScaler()
# 正規化
X_train = sc.fit_transform(X_train)
X_test = sc.fit_transform(X_test)
##### 正規化 #####



##### モデル作成 #####
l1=10e-9  # L1正則化のパラメータ
enc_dim = 512  # 隠れ層のユニット数

cpu_input = Input(shape=w_size, name="cpu_input")
encoded_cpu = Dense(enc_dim, activation='relu', 
                activity_regularizer=tf.keras.regularizers.l1(l1))(cpu_input)
encoded_cpu = layers.Dropout(0.2)(encoded_cpu)

decoded_cpu = Dense(w_size, activation='relu',name="cpu_output1")(encoded_cpu)
# decoded_cpu = layers.Dropout(0.3)(decoded_cpu)
decoded_cpu = Dense(w_size, activation='relu',name="cpu_output2")(decoded_cpu)
 
autoencoder = Model(cpu_input, decoded_cpu)


autoencoder.compile(optimizer='adadelta',  
                    loss=['binary_crossentropy','binary_crossentropy'])
##### モデル作成 #####


##### 学習 #####
epochs = 500
history = autoencoder.fit(X_train,
                          X_train,
                          epochs=epochs,
                          batch_size=None,                    
                          verbose=1)
##### 学習 #####


##### 学習精度確認 #####
print("loss確認")
pd.DataFrame(history.history).plot()
##### 学習精度確認 #####


##### 推論 #####
decoded_cpu = pd.DataFrame(autoencoder.predict(X_test))
##### 推論 #####


##### 異常値確認 #####
dist_cpu = np.sqrt( np.sum( (decoded_cpu - X_train)**2, axis=1))
dist_cpu.plot(color="blue")
##### 異常値確認 ######