Regresja SVM z danymi podłużnymi

Mam około 500 zmiennych na pacjenta, każda zmienna ma jedną stałą wartość i jest mierzona w trzech różnych punktach czasowych (po 2 miesiącach i po 1 roku). Za pomocą regresji chciałbym przewidzieć wynik leczenia nowych pacjentów.

Czy można stosować regresję SVM z takimi danymi podłużnymi?

Tak, jest to możliwe. Tyle że w danych podłużnych korzystanie z jądra Fishera działa lepiej niż RBF lub liniowe. Podobne ustawienie jak twoje podane jest w tym dokumencie NIPS: http://research.microsoft.com/pubs/147234/NIPS08.pdf

To interesujące pytanie i przeprowadziłem szybkie badania.

OP poprosił o regresję dla ciągłych danych. Ale artykuł cytowany przez @ Vikram działa tylko w celu klasyfikacji .

Lu, Z., Kaye, J. i Leen, TK (2009). Hierarchiczne jądra Fishera dla danych podłużnych. W Advances in Neural Information Processing Systems .

Powiązany dokument dotyczący regresji, który znalazłem, jest następujący . Szczegóły techniczne można znaleźć w sekcji 2.3.

Seok, KH, Shim, J., Cho, D., Noh, GJ, i Hwang, C. (2011). Semiparametryczna maszyna wektorów najmniejszych kwadratów z mieszanym efektem do analizy danych farmakokinetycznych i farmakodynamicznych. Neurocomputing , 74 (17), 3412-3419.

Nie znaleziono oprogramowania publicznego, ale autorzy stwierdzili łatwość użycia na końcu artykułu.

Główną zaletą proponowanego LS-SVM ... jest to, że estymatory regresji można łatwo obliczyć za pomocą oprogramowania rozwiązującego prosty układ równań liniowych. Ułatwia to w praktyce zastosowanie proponowanego podejścia do analizy powtarzanych danych pomiarowych.

Aby rozwinąć nieco więcej, istnieją dwa podejścia do analizy regresji za pomocą SVM (maszyna wektorów pomocniczych):

• wsparcie regresji wektorowej (SVR) [Drucker, Harris; Burges, Christopher JC; Kaufman, Linda; Smola, Alexander J .; i Vapnik, Vladimir N. (1997); „Wspierające maszyny do regresji wektorów”, Advances in Neural Information Processing Systems 9, NIPS 1996, 155–161]
• maszyna wektora wsparcia najmniejszych kwadratów (LS-SVM) [Suykens, Johan AK; Vandewalle, Joos PL; Najmniejsze kwadraty obsługują klasyfikatory maszyn wektorowych, Neural Processing Letters , vol. 9, nr 3, czerwca 1999, s. 293–300.]

Wyżej wspomniany Seol i in. (2011) przyjęli podejście LS-VSM .