Machine learning 如何使用机器学习将一组事件作为一个整体进行分类

我想自动化一项日常任务，检查过去24小时的应用程序错误列表

• 每个错误都可以属于六个不同池中的一个
• 每个错误都有一个时间戳
• 我事先不知道每个池中会有多少个错误

我必须使用如下规则将每个池的状态分类为绿色、黄色或红色：

• 如果一个池上没有任何错误->绿色
• 如果池中存在错误，但特定错误连续未持续超过4小时->黄色
• 如果池中存在错误且特定错误连续持续超过4小时->红色

这个问题很容易用常规编程或模糊方法解决，但我想知道如何用机器学习方法解决它（如果可能的话）

到目前为止，在分类技术中，有一个由具有特定特征的训练示例组成的训练集

根据该训练集对分类器进行训练，根据测试集进一步验证分类器，并使用生成的模型对新实例进行分类

因此，分类是“针对一个新的单一实例”，而不是“整个集合”

比如说，如果我使用ANN，我将为每个样本的每个特征都有一个节点

• 我通过所有训练样本训练ANN
• 我根据测试集进行测试
• 我将为生成的模型提供要分类的新案例（一次一个，单独）

我需要自动化的任务不同：
对于每个池（我将分别为每个池使用相同的逻辑），我必须根据时间上分离的可变数量的事件/错误，将其分类为绿色、黄色或红色（作为一个整体，而不是新的单个事件/错误）

---

我的问题是：这是一个我可以用ML方法解决的问题？如果是，我需要如何解决这个问题（我只需要一些提示，而不是一个完整的解决方案）。

在分类模式下查看随机林。你的问题太宽泛了，无法在这里给出答案。谢谢@TimBiegeleisen，但是如果你想预先详细说明数据以提取信息，例如我在池中有多少错误，如果某个错误持续了4个多小时，然后使用决策树进行分类，这不是我想要的方式（太琐碎了，当我可以使用一对if语句时，不需要决策树）。我要寻找的是一种方法，可以将数据（基本上就是这样）排列并馈送到模型，并获得整个池（而不是每个事件/错误）的“组标签”。这很像一个状态机，也许这不是MLI可以解决的问题。我不认为你掌握了机器学习的工作原理。你可以使用你的数据或数据的子集建立一个模型，然后你可以使用该模型预测输出。@Tim，我迄今为止看到的所有分类算法都用于对新的给定输入示例进行分类。这里我有多个例子，我必须将所有人都标记/分类为一个组。我要问的是，这种问题是否可以用ML解决，以及如何安排数据来解决。啊……那么你是说你想在不知道组是什么的情况下组成组？那么你要找的是无监督的机器学习。这方面的一个例子是聚类g分析。在分类模式下查看随机森林。您的问题太广泛，无法在此给出答案。谢谢@TimBiegeleisen，但如果您打算预先详细说明数据以提取信息，例如我在池中有多少错误，如果某个错误持续4个多小时，然后使用决策树进行分类，则这是不可能的我想要的方式（太简单了，当我可以使用一对if语句时，不需要决策树）。我要寻找的是一种方法，可以将数据（基本上是这样）排列并提供给模型，并获得整个池（而不是每个事件/错误）的“组标签”。这很像一个状态机，也许这不是MLI可以解决的问题。我不认为你掌握了机器学习的工作原理。你可以使用你的数据或数据的子集建立一个模型，然后你可以使用该模型预测输出。@Tim，我迄今为止看到的所有分类算法都用于对新的给定输入示例进行分类。这里我有多个例子，我必须将所有人都标记/分类为一个组。我要问的是，这种问题是否可以用ML解决，以及如何安排数据来解决。啊……那么你是说你想在不知道组是什么的情况下组成组？那么你要找的是无监督的机器学习。这方面的一个例子是聚类g分析。