agentsclimarketplace
Sign in

Визуализация прогнозов классификации логов по хостам

Skill ECNU-ICALK/AutoSkill/SkillBank/ConvSkill/english_gpt4_8_GLM4.7/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.From its SKILL.md

Install
npx -y skills add ECNU-ICALK/AutoSkill --skill визуализация-прогнозов-классификации-логов-по-хостам

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

One thing to look at

  • no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.

SKILL.md

4.6 KB, 901 tokens by cl100k_base, as published. Nobody here has run it

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

What ships with it

Read from the repository

Just SKILL.md. No reference files, no scripts.

Keep looking

Skills are one crate of 325,949. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.