종단 데이터를 사용한 SVM 회귀

환자 당 약 500 개의 변수가 있으며 각 변수에는 하나의 연속 값이 있으며 세 가지 다른 시점 (2 개월 후 및 1 년 후)에서 측정됩니다. 퇴행으로 새로운 환자의 치료 결과를 예측하고 싶습니다.

이러한 종단 데이터와 함께 SVM 회귀를 사용할 수 있습니까?

예, 가능합니다. Fisher Kernel을 사용하는 종단 데이터에서는 RBF 또는 Linear보다 낫습니다. 이 NIPS 백서에는 귀하와 유사한 설정이 제공됩니다. http://research.microsoft.com/pubs/147234/NIPS08.pdf

이것은 흥미로운 질문이며 빠른 연구를했습니다.

OP는 연속 데이터의 회귀 에 대해 물었습니다 . 그러나 @Vikram이 인용 한 논문은 분류 에만 적용 됩니다 .

Lu, Z., Kaye, J. & Leen, TK (2009). 종 방향 데이터를위한 계층 적 피셔 커널. 에서 신경 정보 처리 시스템의 발전 .

내가 찾은 회귀 관련 논문 은 다음과 같다 . 기술적 세부 사항은 2.3 절에서 찾을 수 있습니다.

석, KH, 심, J., 조 D. 노 노 GJ & 황 C. (2011). 반모 수 혼합 효과 최소 제곱은 약동학 및 약력학 데이터를 분석하기위한 벡터 머신을 지원합니다. 신경 계산 , 74 (17), 3412-3419.

공개 소프트웨어는 없지만 저자는 논문의 끝에서 사용의 용이성을 주장했습니다.

제안 된 LS-SVM의 주요 이점은 회귀 추정기가 간단한 선형 방정식 시스템을 해결하는 소프트웨어로 쉽게 계산할 수 있다는 것입니다. 이를 통해 제안 된 접근 방식을 실제로 반복 측정 데이터 분석에보다 쉽게 ​​적용 할 수 있습니다.

좀 더 자세히 설명하기 위해 SVM (support vector machine)을 사용하여 회귀 분석을 위한 두 가지 방법이 있습니다 .

• 지원 벡터 회귀 (SVR) [Drucker, Harris; Burges, Christopher JC; 카우프만, 린다; 스 몰라, 알렉산더 J .; 및 Vapnik, Vladimir N. (1997); 신경 정보 처리 시스템 9, NIPS 1996, 155–161의 발전에서 "벡터 회귀 시스템 지원"
• 최소 제곱 지원 벡터 머신 (LS-SVM) [Suykens, Johan AK; Vandewalle, Joos PL; 최소 사각형은 벡터 기계 분류기, 신경 처리 문자 , vol을 지원합니다. 아뇨. 3, 1999 년 6 월, pp. 293–300.]

상술 한 설 등. (2011)는 LS-VSM 접근법을 채택했습니다 .