我一般不建议这样做，因为它可能会导致过度拟合。

虽然特定的重新排序可能会提高数据集的拟合度，但目标是创建具有良好预测能力的模型。如果你收到从未见过的独立的第二、第三、第一百个泰坦尼克号的数据，排序还会一样吗？我对此表示怀疑。您可能会错误地使用固定在第一个真正的泰坦尼克号上的有点武断的顺序来处理新数据，其中顺序不再相同。

我认为故事是年轻人和老年人得到了优待，这就是他们的存活率更高的原因。因此，您的 AgeBand 曲线应近似为 U 形。（大约是这样。）如果您坚持线性回归，我看不出您如何（直接）包含这种非线性（U 形）效应。

选择特征的假设（特殊性）越少越好。然后对我来说重新排序更有意义，这样你就可以从两端交替选择乐队（从中间开始）：（3, 4, 2, 5, 1, 6, 0, 7或以相反的顺序，从两端开始）。或者，甚至更好的是，将年龄段划分为更粗略的组：{1,2,3}, {4,5,6,7}, {0}. 我认为您的探索性数据分析证明了这些是合理的。

当我查看 AgeBand 图中的值范围（$0.33$ 到 $0.55$）时，这个变量实际上并没有像 Pclass、Sex、FareBand 那样解释。最后你可能最终还是从你的变量中删除它，所以再一次，你对它的关注越多，你就越有过度拟合的风险。$0.33$ to $0.55$), this variable does not actually explain as much as Pclass, Sex, FareBand. In the end you might end up dropping it from your variables anyway, so once again, the more attention you pay to it, the more you're at risk of overfitting.