# 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.

- Skill: `ecnu-icalk/skill-1198` (Agent Skill)
- Install (CLI): `npx skillmds@latest add ecnu-icalk/skill-1198`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ecnu-icalk/skill-1198/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: ECNU-ICALK (https://skillmd.com/u/ecnu-icalk)
- Updated: 2026-09-09
- Page: https://skillmd.com/skills/ecnu-icalk/skill-1198

---


# 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