SVM-Regression mit Längsschnittdaten

Ich habe ungefähr 500 Variablen pro Patient, jede Variable hat einen kontinuierlichen Wert und wird zu drei verschiedenen Zeitpunkten (nach 2 Monaten und nach 1 Jahr) gemessen. Mit der Regression möchte ich das Behandlungsergebnis für neue Patienten vorhersagen.

Ist es möglich, die SVM-Regression mit solchen Längsschnittdaten zu verwenden?

Ja, das ist möglich. Nur dass Längsschnittdaten mit Fisher Kernel besser funktionieren als RBF- oder lineare Daten. Eine ähnliche Einstellung wie Ihre finden Sie in diesem NIPS-Dokument: http://research.microsoft.com/pubs/147234/NIPS08.pdf

Dies ist eine interessante Frage und ich habe schnell recherchiert.

Das OP fragte nach Regression für kontinuierliche Daten. Das von @Vikram zitierte Papier funktioniert jedoch nur zur Klassifizierung .

Lu, Z., Kaye, J. & Leen, TK (2009). Hierarchische Fisher-Kernel für Längsschnittdaten. In Advances in Neural Information Processing Systemen .

Ein verwandtes Papier für die Regression, das ich gefunden habe, ist das folgende . Technische Details finden Sie in Abschnitt 2.3.

Seok, KH, Shim, J., Cho, D., Noh, GJ & Hwang, C. (2011). Semiparametrische Mixed-Effect-Least-Squares mit gemischten Effekten unterstützen Vektormaschinen zur Analyse pharmakokinetischer und pharmakodynamischer Daten. Neurocomputing , 74 (17), 3412 & ndash; 3419.

Es wurde keine öffentliche Software gefunden, aber die Autoren behaupteten, die Benutzerfreundlichkeit sei am Ende des Dokuments.

Der Hauptvorteil des vorgeschlagenen LS-SVM ... besteht darin, dass Regressionsschätzer leicht durch Software berechnet werden können, die ein einfaches lineares Gleichungssystem löst. Dies erleichtert die praktische Anwendung des vorgeschlagenen Ansatzes auf die Analyse wiederholter Messdaten.

Um etwas näher darauf einzugehen, gibt es zwei Ansätze für die Regressionsanalyse mit SVM (Support Vector Machine):

• Support Vector Regression (SVR) [Drucker, Harris; Burges, Christopher JC; Kaufman, Linda; Smola, Alexander J.; und Vapnik, Vladimir N. (1997); "Support Vector Regression Machines", Fortschritte in neuronalen Informationsverarbeitungssystemen 9, NIPS 1996, 155–161]
• Unterstützung der kleinsten Quadrate Vektormaschine (LS-SVM) [Suykens, Johan AK; Vandewalle, Joos PL; Kleinste Quadrate unterstützen Vektormaschinenklassifikatoren, Neural Processing Letters , vol. 9, nein. 3, Jun. 1999, S. 293–300.]

Das vorgenannte Seol et al. (2011) haben den LS-VSM- Ansatz übernommen.