SVM регрессия с продольными данными

У меня около 500 переменных на пациента, каждая переменная имеет одно непрерывное значение и измеряется в трех разных временных точках (через 2 месяца и через 1 год). С регрессией я хотел бы предсказать исход лечения для новых пациентов.

Можно ли использовать SVM-регрессию с такими продольными данными?

Да, это возможно За исключением того, что в продольных данных использование ядра Фишера работает лучше, чем RBF или линейные. Подобная настройка, подобная вашей, приведена в этом документе NIPS: http://research.microsoft.com/pubs/147234/NIPS08.pdf

Это интересный вопрос, и я быстро провел исследование.

ОП спросил о регрессии для непрерывных данных. Но статья, на которую ссылается @Vikram, работает только для классификации .

Lu, Z., Kaye, J. & Leen, TK (2009). Иерархические ядра Фишера для продольных данных. В Авансы в системах нейронные обработки информации .

Родственная бумага для регрессии я нашел следующее . Технические подробности можно найти в разделе 2.3.

Seok, KH, Shim, J., Cho, D., Noh, GJ, & Hwang, C. (2011). Полупараметрическая машина опорных векторов наименьших квадратов со смешанным эффектом для анализа фармакокинетических и фармакодинамических данных. Нейрокомпьютинг , 74 (17), 3412-3419.

Общедоступного программного обеспечения не найдено, но авторы заявили о простоте использования в конце статьи.

Основное преимущество предложенного LS-SVM ... состоит в том, что оценки регрессии могут быть легко вычислены с помощью программ, решающих простую систему линейных уравнений. Это облегчает применение предложенного подхода к анализу данных повторных измерений на практике.

Чтобы уточнить немного, есть два подхода к регрессионному анализу с использованием SVM (машина опорных векторов):

• регрессия опорных векторов (SVR) [Drucker, Harris; Burges, Christopher JC; Кауфман, Линда; Смола, Александр Дж .; и Вапник, Владимир Н. (1997); «Поддержка Вектор регрессионные машины», в Достижения в области нейронных информационных систем обработки 9, NIPS 1996, 155-161]
• машина опорных векторов наименьших квадратов (LS-SVM) [Suykens, Johan AK; Vandewalle, Joos PL; Классификаторы опорных векторов наименьших квадратов, Neural Processing Letters , vol. 9, нет 3, июнь 1999 г., стр. 293–300.]

Вышеупомянутые Seol et al. (2011) приняли подход LS-VSM .