過去 24 時間のアプリケーション エラーのリストをチェックする毎日のタスクを自動化したいと考えています。
- すべてのエラーは、6 つの異なるプールのいずれかに属することができます
- すべてのエラーにはタイムスタンプがあります
- 各プールにいくつのエラーが発生するかは事前にわかりません
次のようなルールを使用して、各プールのステータスを緑、黄、または赤に分類する必要があります。
- 1 つのプールでまったくエラーがない場合 -> 緑
- プールにエラーがあるが、特定のエラーが 4 時間以上連続して持続しない場合 -> 黄色
- プールにエラーがあり、特定のエラーが 4 時間以上連続して続く場合 -> 赤
この問題は、従来のプログラミングまたはファジーアプローチを使用して簡単に解決できますが、可能であれば機械学習アプローチを使用して解決する方法を知りたいです。
私がこれまで見てきた分類手法には、特定の FEATURES を持つ TRAINING Examples で構成された TRAINING SET があります。
分類子はこのトレーニング セットに対してトレーニングされ、TEST SET に対してさらに検証され、結果の MODEL を使用して新しいインスタンスが分類されます。
したがって、分類は「新しい単一インスタンス用」であり、「セット全体」ではありません。
たとえば、ANN を使用する場合、すべてのサンプルが持つ各機能のノードがあり、
- すべてのトレーニング サンプルを通じて ANN をトレーニングします
- テストセットに対してテストします
- 結果のモデルに、分類する新しいケースを入力します (一度に 1 つずつ、個別に)。
自動化する必要があるタスクは異なります。
プールごとに (全員に同じロジックを個別に使用します)、(新しい単一のイベント/エラーではなく、全体として) 緑、黄、または赤に基づいて分類する必要があります。一時的に分離された可変数のイベント/エラー。
私の質問は、ML アプローチを使用して解決できる問題ですか? はいの場合、問題にどのようにアプローチする必要があるか (完全な解決策ではなく、ヒントが必要です)。