Подробности таковы. Самый простой (сложные (xgboost и нейронки) я тоже пробовал (отлично работают на медицинских данных но нифига - на дейтасете ББ), метрики (посчитанные через 40-fold кроссвалидацию) у них незначительно лучше (несколько процентов), чем просто по бренду, но результаты - полный бред (напоминаю - оптимизация и early stopping у меня идёт по кроссвалидации, так что если и переобучение, то ко всему дейтасету), у меня есть ещё идеи, которые надо попробовать, но пока руки не доходят - для этого надо написать дофига сложного кода) способ оценить надёжность - это построить кривые Каплана-Майера. Это аппроксимация вероятности, что диск проживёт столько времени. Строятся очень просто - аппроксимируешь вероятность отказать на каждом шаге (т.н. hazard) частотой реальных отказов и перемножаешь. Если разбить по брендам, и для каждого построить кривые, то картина такая: сначала кривые падают, потом выходят на насыщение - почти не падают (у хитачи, у других наклон больше). Если смотреть сверху вниз, то будет, если я верно помню, сначала хитачи, потом тошиба, потом вд, потом сигейт. По Вейбулу матожидание lifespanа даёт то же самое. Но есть нюанс - всё сильно зависит от того, что ББ делают со своими дисками, а они могут запросто взять и все старые диски выкинуть по причине морального устаревания и/или изменить режим их работы и методику оценки отказов, что скажется на измеренной надёжности. При таких нюансах на кривых КМ во времена, когда ББ что-то меняет, скачут доверительные интервалы.