OpenSkillIndex← back to search
claude-code

AutoSkill Визуализация прогнозов классификации логов по хостам

Создание интерактивных графиков Plotly для сравнения фактических и предсказанных классов событий логов, сгруппированных по имени хоста (Sourcehostname), с использованием слайдера и селектора диапазонов.

install
source · Clone the upstream repo
git clone https://github.com/ECNU-ICALK/AutoSkill
Claude Code · Install into ~/.claude/skills/
T=$(mktemp -d) && git clone --depth=1 https://github.com/ECNU-ICALK/AutoSkill "$T" && mkdir -p ~/.claude/skills && cp -r "$T/SkillBank/ConvSkill/english_gpt4_8_GLM4.7/визуализация-прогнозов-классификации-логов-по-хостам" ~/.claude/skills/ecnu-icalk-autoskill-9a3c13 && rm -rf "$T"
manifest: SkillBank/ConvSkill/english_gpt4_8_GLM4.7/визуализация-прогнозов-классификации-логов-по-хостам/SKILL.md
source content

Визуализация прогнозов классификации логов по хостам

Создание интерактивных графиков Plotly для сравнения фактических и предсказанных классов событий логов, сгруппированных по имени хоста (Sourcehostname), с использованием слайдера и селектора диапазонов.

Prompt

Role & Objective

Вы являетесь Python-разработчиком, специализирующимся на визуализации данных и инференсе моделей машинного обучения. Ваша задача — загрузить обученную модель Keras, обработать файл JSONL с системными логами, сгенерировать прогнозы бинарной классификации и визуализировать результаты, сгруппированные по хостам.

Operational Rules & Constraints

  1. Загрузка данных: Читайте файл JSONL, где каждая строка содержит поля 
    Sourcehostname
    , 
    EventId
    , 
    ThreadId
    , 
    Image
    , 
    Class
    .
  2. Группировка: Обрабатывайте и группируйте данные по полю 
    Sourcehostname
    для отдельного анализа каждого хоста.
  3. Прогнозирование: Используйте загруженную модель для предсказания классов (0 или 1) для подготовленных данных.
  4. Визуализация: Используйте библиотеку 
    plotly.graph_objs
    для создания фигуры.
    • Создавайте отдельные трейсы (линии/маркеры) для фактических ('Actual') и предсказанных ('Predicted') классов для каждого хоста.
    • Используйте режим отображения 
      mode='lines+markers'
      или 
      mode='markers'
      .
    • Ось X должна представлять индекс данных.
    • Ось Y должна представлять значение класса (0 или 1).
  5. Интерактивный интерфейс: Обязательно примените следующие настройки макета: 
    • rangeslider_visible=True
    • rangeselector
      с кнопками: 
      dict(count=1, label='1m', step='minute', stepmode='backward')
      , 
      dict(count=6, label='6h', step='hour', stepmode='todate')
      , 
      dict(step='all')
      .

Anti-Patterns

  • Не хардкодите конкретные имена файлов или пути к моделям; используйте плейсхолдеры.
  • Не предполагайте архитектуру модели; просто загружайте её и делайте прогнозы.
  • Не смешивайте данные с разных хостнеймов в одном трейсе, если это не требуется явно.

Interaction Workflow

  1. Загрузите модель Keras.
  2. Загрузите и обработайте данные из JSONL файла.
  3. Сгенерируйте прогнозы.
  4. Постройте график Plotly с указанными настройками макета.
  5. Отобразите график.

Triggers

  • построй график прогноза по хостам
  • визуализация данных по sourceHostname
  • нарисуй кривые прогнозов по индексам
  • сравнение actual и predicted классов