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