一些算法，例如 SVM 或逻辑回归，有可能为某个类添加权重，从而解决不平衡的问题。

这听起来确实像是生存分析的工作，它专门用于回答诸如“当机器 X 发生故障时”或“哪个属性对故障影响最大”之类的问题。您可以简单地从绘制 Kaplan-Meier 曲线开始，然后通过某些属性对其进行进一步分层。然后您可以尝试 Cox 回归模型 - 查看属性对生存的影响 - 风险比很有用。但不要忘记验证假设（函数形式和比例风险）。

在 R 中，生存分析执行得非常好，所以不要害怕。有一个简单而简短的教程可能会有所帮助。

1. 您可以考虑使用对多数类的欠采样、对少数类数据集进行过采样或对数据集应用SMOTE来重新平衡数据集。
2. 如果您的数据集更加平衡，那么逻辑回归/随机森林都不是一个糟糕的起点。我认为随机森林更擅长处理不平衡的分类问题，但它们可能仍然对您所说的不平衡程度存在问题。
3. 生存分析通常与问题的时间有关（即：硬盘驱动器何时可能发生故障？）因此，如果您的数据中包含时间，那么您绝对可以将其视为生存分析问题。但是，如果时间没有进入问题，那么将其作为 ML 问题进行分析可能会更容易。