我们感觉设备在连续变量（风扇速度、温度、电压等）方面的行为会对发生的罕见事件（组件故障）产生影响。
我现在必须为此建立一个预测模型，以证明其影响。
这些连续的特征以时间序列的形式给出，并且事件是准时的。
我已经使用决策树、随机森林、adaboost 和聚类基于这些变量的描述性统计（参见这个问题）制作了一个模型，但它不起作用。我仍然会通过平衡课程来提高，但我相信这不是最好的方法。
我很确定这种预测有更好的算法（这是很常见的问题），但我什么也没找到。
你有想法吗？
非常感谢
PS：我正在使用 Python 和 cython
首先，您将无法用模型证明任何事情，您将有误报/误报。通过一个好的模型，您可以显示哪些变量可能是组件故障的指标。
在此类问题中，特征生成可能对模型的准确性产生最重要的影响。时间戳可用于聚合。例如，您可以每小时汇总每台设备的指标。您可能为输入模型而创建的指标/功能可能是平均/最大温度或风扇速度、温度或风扇速度的变化率、设备高于某个阈值温度或风扇速度的秒数、电压峰值的布尔指示器等。您可以创建任意数量的功能。然后，您可以找到哪些特征不是强预测变量，并在需要时删除这些列以减少噪音。
您可以探索纵向和事件时间数据的联合建模。这里将为罕见事件建立生存模型，为纵向数据建立线性模型。