Régression SVM avec données longitudinales

9

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?

thrym
la source
Avez-vous pu trouver une bonne réponse?
Wazaa

Réponses:

1

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 .

Randel
la source