Ho circa 500 variabili per paziente, ogni variabile ha un valore continuo e viene misurata in tre diversi punti temporali (dopo 2 mesi e dopo 1 anno). Con la regressione vorrei prevedere l'esito del trattamento per i nuovi pazienti.
È possibile utilizzare la regressione SVM con tali dati longitudinali?
Risposte:
Sì, questo è possibile. Tranne il fatto che nei dati longitudinali l'utilizzo del kernel di Fisher funziona meglio di RBF o di quelli lineari. Un'impostazione simile alla tua è riportata in questo documento NIPS: http://research.microsoft.com/pubs/147234/NIPS08.pdf
Questa è una domanda interessante e ho fatto una ricerca veloce.
L'OP ha chiesto informazioni sulla regressione per dati continui. Ma il documento citato da @Vikram funziona solo per la classificazione .
Lu, Z., Kaye, J., & Leen, TK (2009). Gerarchici Fisher Kernels per dati longitudinali. In anticipo nei sistemi di elaborazione delle informazioni neurali .
Un documento correlato per la regressione che ho trovato è il seguente . I dettagli tecnici sono disponibili nella Sezione 2.3.
Seok, KH, Shim, J., Cho, D., Noh, GJ e Hwang, C. (2011). I minimi quadrati semiparametrici a effetto misto supportano la macchina vettoriale per l'analisi dei dati farmacocinetici e farmacodinamici. Neurocomputing , 74 (17), 3412-3419.
Non è stato trovato alcun software pubblico ma gli autori hanno affermato la facilità d'uso alla fine del documento.
Il vantaggio principale del proposto LS-SVM ... è che gli stimatori di regressione possono essere facilmente calcolati da software che risolvono un semplice sistema di equazioni lineari. Ciò semplifica l'applicazione pratica dell'approccio proposto all'analisi di dati di misurazione ripetuti.
Per elaborare un po 'di più, ci sono due approcci per l' analisi di regressione usando SVM (support vector machine):
Il già citato Seol et al. (2011) ha adottato l' approccio LS-VSM .