Регрес SVM з поздовжніми даними

9

У мене близько 500 змінних на пацієнта, кожна змінна має одне безперервне значення і вимірюється в три різні моменти часу (через 2 місяці і після 1 року). З регресом хотілося б передбачити результат лікування для нових пацієнтів.

Чи можливо використовувати регрес SVM з такими поздовжніми даними?

regression svm panel-data

— трім
джерело

Чи вдалося вам знайти відповідну відповідь?

— Вазаа

1

Так, це можливо. За винятком того, що в поздовжніх даних використання ядра Fisher працює краще, ніж RBF або лінійних. Аналогічний параметр, як у вас, наведено в цій статті NIPS: http://research.microsoft.com/pubs/147234/NIPS08.pdf

— Вікрам
джерело

1

Це цікаве питання, і я зробив швидке дослідження.

ОП запитала про регресію для постійних даних. Але робота, яку цитує @Vikram, працює лише для класифікації .

Lu, Z., Kaye, J., & Leen, TK (2009). Ієрархічні ядра Фішера для поздовжніх даних. В Аванси в системах нейронні обробки інформації .

Я знайшов відповідний документ для регресії наступний . Технічні деталі можна знайти в Розділі 2.3.

Seok, KH, Shim, J., Cho, D., Noh, GJ, & Hwang, C. (2011). Напівпараметричні найменші квадрати з найменшими квадратами підтримують векторний апарат для аналізу фармакокінетичних та фармакодинамічних даних. Нейрокомп'ютинг , 74 (17), 3412-3419.

Не знайдено жодного публічного програмного забезпечення, але автори заявили про простоту використання в кінці статті.

Основна перевага запропонованого LS-SVM ... полягає в тому, що оцінювачі регресії можна легко обчислити за допомогою програмного забезпечення, вирішивши просту систему лінійних рівнянь. Це полегшує застосування запропонованого підходу до аналізу даних повторних вимірювань на практиці.

Щоб детальніше розробити, є два підходи до регресійного аналізу за допомогою SVM (підтримуючої векторної машини):

регресія вектора підтримки (SVR) [Drucker, Harris; Берджес, Крістофер JC; Кауфман, Лінда; Смола, Олександр Дж .; та Вапник, Володимир Н. (1997); "Підтримка векторних регресійних машин" , заздалегідь в системах нейронної обробки інформації 9, NIPS 1996, 155-1616]
машина, що підтримує вектор найменших квадратів (LS-SVM) [Suykens, Johan AK; Vandewalle, Joos PL; Найменші квадрати підтримують векторні класифікатори машин, Нейрологічні обробні листи , т. 9, ні. 3, червень 1999, стор. 293–300.]

Вищезгадані Seol та ін. (2011) прийняв підхід LS-VSM .

— Рендел
джерело