R 如何根据部件故障数据估计特征的威布尔危险率函数?
机械部件连续运行,直到其失败(测试失败)。我们有这样一个实验的数据 数据字典R 如何根据部件故障数据估计特征的威布尔危险率函数?,r,machine-learning,statistics,survival-analysis,weibull,R,Machine Learning,Statistics,Survival Analysis,Weibull,机械部件连续运行,直到其失败(测试失败)。我们有这样一个实验的数据 数据字典 年龄-->以分钟为单位的时间 每-->寿命/总故障时间 寿命状态-->故障==1和0==无故障(注意:我们只有1个 记录寿命(状态=1,即失败时的时间/年龄) 功能1-->从组件获取的协变量/传感器读数 注意:只有数据的开头和结尾显示图像 根据这些数据,如何计算R或Python中feature1变量的Weibull危险率函数? 我尝试了下面的代码 代码(参考) fit\u dist这是不可能的。你有一个观察;威布尔分
fit\u dist这是不可能的。你有一个观察;威布尔分布有两个参数。你可以尝试指数分布(有固定的危险);您不需要任何代码:危险或lambda将为每分钟1/1730
。我想计算feature1变量的危险故障率。我用更多的解释更新了这个问题。那么这里计算的单变量cdf是多少?在您引用的示例中,有多个时间观察(每个都有一个隐式事件)。你只有一个活动。来吧,大家。让我们结束这个问题。这甚至都不是主题。更不用说扬·范德兰回答了这个问题。
fit_dist<-fitdist(base$feature1,"weibull",lower = c(0, 0), start = list(scale = 1, shape = 1))
rms_coefficients<-matrix(coef(fit_dist))
rownames(rms_coefficients)<-c("scale","shape")
rms_pdf<-dweibull(base$feature1,shape=rms_coefficients["shape",1],scale=rms_coefficients["scale",1])
rms_cdf<-1-exp(-((base$feature1/rms_coefficients["scale",1])^rms_coefficients["shape",1]))
hazard_rate_fun_feature1 <-rms_pdf/(1-rms_cdf)