Régression SVM avec données longitudinales

J'ai environ 500 variables par patient, chaque variable a une valeur continue et est mesurée à trois moments différents (après 2 mois et après 1 an). Avec la régression, je voudrais prédire le résultat du traitement pour les nouveaux patients.

Est-il possible d'utiliser la régression SVM avec de telles données longitudinales?

Oui, c'est possible. Sauf que dans les données longitudinales, l'utilisation de Fisher Kernel fonctionne mieux que RBF ou linéaire. Un paramètre similaire au vôtre est donné dans ce document NIPS: http://research.microsoft.com/pubs/147234/NIPS08.pdf

C'est une question intéressante et j'ai fait une recherche rapide.

Le PO a posé des questions sur la régression des données continues. Mais l'article cité par @Vikram ne fonctionne que pour la classification .

Lu, Z., Kaye, J., & Leen, TK (2009). Noyaux hiérarchiques de Fisher pour les données longitudinales. In Advances in Neural Information Processing Systems .

Un article relatif à la régression que j'ai trouvé est le suivant . Les détails techniques peuvent être trouvés dans la section 2.3.

Seok, KH, Shim, J., Cho, D., Noh, GJ et Hwang, C. (2011). Les moindres carrés semi-paramétriques à effets mixtes prennent en charge la machine vectorielle pour l'analyse des données pharmacocinétiques et pharmacodynamiques. Neurocomputing , 74 (17), 3412-3419.

Aucun logiciel public n'est trouvé mais les auteurs ont affirmé la facilité d'utilisation à la fin de l'article.

Le principal avantage du LS-SVM proposé est que les estimateurs de régression peuvent être facilement calculés par des logiciels résolvant un système d'équation linéaire simple. Cela facilite l'application de l'approche proposée à l'analyse des données de mesures répétées dans la pratique.

Pour élaborer un peu plus, il existe deux approches pour l' analyse de régression utilisant SVM (support vector machine):

• prendre en charge la régression vectorielle (SVR) [Drucker, Harris; Burges, Christopher JC; Kaufman, Linda; Smola, Alexander J .; et Vapnik, Vladimir N. (1997); «Support Vector Regression Machines», dans Advances in Neural Information Processing Systems 9, NIPS 1996, 155-161]
• machine à vecteurs de support des moindres carrés (LS-SVM) [Suykens, Johan AK; Vandewalle, Joos PL; Les moindres carrés prennent en charge les classificateurs de machines vectorielles, Neural Processing Letters , vol. 9, non. 3, juin 1999, p. 293–300.]

Seol et al. (2011) ont adopté l' approche LS-VSM .