Los sistemas de auto-reparación se han vuelto esenciales en la computación moderna para garantizar operaciones continuas y seguras, al tiempo que minimizan el tiempo de inactividad y los costos de mantenimiento. Estos sistemas detectan, diagnostican y corrigen anomalías de forma autónoma, siendo la efectividad de la auto-reparación dependiente de la interpretación precisa de los registros del sistema generados por los sistemas operativos (SO). El análisis manual de estos registros en entornos complejos suele ser engorroso, consumir mucho tiempo y ser propenso a errores, lo que resalta la necesidad de métodos de análisis de registros automatizados y fiables. Nuestra investigación presenta una metodología inteligente para crear sistemas de auto-reparación para múltiples SO, centrándose en la clasificación de registros utilizando CountVectorizer y el algoritmo de Naive Bayes multinomial. Este enfoque implica el preprocesamiento de los registros de SO para garantizar calidad, convirtiéndolos en un formato numérico con CountVectorizer y luego clasificándolos utilizando el algoritmo de Naive Bayes. El sistema clasifica múltiples registros de SO en categorías distintas, identificando errores y advertencias. Probamos nuestro modelo con registros de cuatro SO principales: Mac, Android, Linux y Windows, obtenidos de Zenodo para simular escenarios del mundo real. Se evaluaron la precisión, la exactitud y la fiabilidad del modelo, demostrando su potencial para su implementación en sistemas de auto-reparación prácticos.