我认为您应该首先明确指定协变量是什么，目标变量是什么以及您的目标是什么。

因此，如果您将汽车的属性作为协变量，而目标变量是故障时间（汽车在 1 年、2 年...），那么最好的方法确实是生存分析，因为您尝试对故障时间进行建模。

另一方面，如果您的目标变量只是一个失败 - 是或否，那么它就是一个分类问题。为此，决策树或逻辑回归等简单模型非常适合。

不要仅仅因为它的花哨而使用算法，或者仅仅因为它们不是“机器学习”而不喜欢其他方法。

你说你想从机器学习开始，所以继续吧。不要盲目地适应任何黑盒模型，从简单的开始，看看它们是如何工作的。

话虽如此，选择更简单的东西。因为生存分析需要知识或回归以及更多的统计数据。

祝你好运。

我也只是 ML 的初学者（但他不熟悉使用 R 的生存分析），但已经处理了几个 ML 项目。根据我的知识，您可以使用监督学习。

存储数据，最好以 CSV 格式存储（一列关于购买汽车和汽车机械故障之间的持续时间），其余关于汽车的数据/特征。

接下来，您可以通过数据运行神经网络，并使用 NN 库的 predict() 方法根据您的数据预测故障前的持续时间。

然后，您可以从理论上（假设数据之间存在逻辑相关性）查看哪些特征最容易使汽车发生故障。

至于实现您的程序，我将Python与Keras库一起使用，这对于任何程序员来说都足够简单，但还有许多其他出色的 ML 库，尤其是TensorFlow。

请注意，我也只是一个初学者，我的方法可能是错误的，但我祝你在未来的 ML 项目上好运！