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