การถดถอย SVM พร้อมข้อมูลระยะยาว

ฉันมีตัวแปรประมาณ 500 ตัวต่อผู้ป่วยแต่ละตัวแปรมีหนึ่งค่าอย่างต่อเนื่องและวัดที่จุดเวลาที่ต่างกันสามจุด (หลังจาก 2 เดือนและหลังจาก 1 ปี) ด้วยการถดถอยฉันต้องการที่จะทำนายผลการรักษาสำหรับผู้ป่วยใหม่

เป็นไปได้ไหมที่จะใช้การถดถอย SVM กับข้อมูลตามยาว

ใช่มันเป็นไปได้ ยกเว้นว่าในข้อมูลระยะยาวโดยใช้ฟิชเชอร์เคอร์เนลทำงานได้ดีกว่า RBF หรือเชิงเส้น การตั้งค่าที่คล้ายกันเช่นเดียวกับของคุณได้รับในกระดาษ NIPS นี้: http://research.microsoft.com/pubs/147234/NIPS08.pdf

นี่เป็นคำถามที่น่าสนใจและฉันทำการวิจัยอย่างรวดเร็ว

OP ถามถึงการถดถอยสำหรับข้อมูลต่อเนื่อง แต่กระดาษโดยอ้าง @Vikram ทำงานเฉพาะสำหรับการจัดหมวดหมู่

Lu, Z. , Kaye, J. , & Leen, TK (2009) เคอร์เนลฟิชเชอร์แบบลำดับชั้นสำหรับข้อมูลระยะยาว ในความก้าวหน้าในประสาทระบบข้อมูลการประมวลผล

กระดาษที่เกี่ยวข้องสำหรับการถดถอยที่ฉันพบคือต่อไปนี้ รายละเอียดทางเทคนิคสามารถดูได้ในส่วน 2.3

Seok, KH, Shim, J. , Cho, D. , Noh, GJ, & Hwang, C. (2011) Semiparametric ผลผสมสี่เหลี่ยมน้อยที่สุดสนับสนุนเครื่องเวกเตอร์สำหรับการวิเคราะห์ข้อมูลเภสัชจลนศาสตร์และเภสัชพลศาสตร์ Neurocomputing , 74 (17), 3412-3419

ไม่พบซอฟต์แวร์สาธารณะ แต่ผู้เขียนอ้างว่าใช้งานง่ายในตอนท้ายของบทความ

ข้อได้เปรียบหลักของ LS-SVM ที่นำเสนอ ... คือตัวประมาณค่าการถดถอยสามารถคำนวณได้อย่างง่ายดายโดยซอฟต์แวร์ที่แก้ระบบสมการเชิงเส้นอย่างง่าย สิ่งนี้ทำให้ง่ายขึ้นในการนำวิธีการที่เสนอไปใช้ในการวิเคราะห์ข้อมูลการวัดซ้ำ ๆ ในทางปฏิบัติ

เพื่ออธิบายเพิ่มเติมอีกเล็กน้อยมีสองวิธีในการวิเคราะห์การถดถอยโดยใช้SVM (เครื่องสนับสนุนเวกเตอร์):

• สนับสนุนการถดถอยแบบเวกเตอร์ (SVR) [Drucker, Harris; Burges, Christopher JC; ลิตรลินดา; Smola, Alexander J .; และ Vapnik, Vladimir N. (1997); "Support Vector Regression Machines" ในความก้าวหน้าในระบบประมวลผลข้อมูลประสาท 9, NIPS 1996, 155–161]
• กำลังสองน้อยที่สุดสนับสนุนเครื่องเวกเตอร์ (LS-SVM) [Suykens, Johan AK; Vandewalle, Joos PL; กำลังสองน้อยที่สุดรองรับเครื่องแยกประเภทเวกเตอร์, ตัวประมวลผลประสาท , ฉบับที่ 9 หมายเลข 3, มิ.ย. 1999, หน้า 293–300]

Seol และคณะ (2011) นำLS-VSMวิธี