Regressão SVM com dados longitudinais

Eu tenho cerca de 500 variáveis ​​por paciente, cada variável tem um valor contínuo e é medida em três momentos diferentes (após 2 meses e após 1 ano). Com a regressão, gostaria de prever o resultado do tratamento para novos pacientes.

É possível usar a regressão SVM com esses dados longitudinais?

Sim, isso é possível. Exceto que em dados longitudinais, o uso do Fisher Kernel funciona melhor que o RBF ou o Linear. Uma configuração semelhante à sua é apresentada neste documento do NIPS: http://research.microsoft.com/pubs/147234/NIPS08.pdf

Essa é uma pergunta interessante e eu fiz uma pesquisa rápida.

O OP perguntou sobre regressão para dados contínuos. Mas o artigo citado por @Vikram funciona apenas para classificação .

Lu, Z., Kaye, J. e Leen, TK (2009). Núcleos de Fisher hierárquicos para dados longitudinais. In Advances in Neural Information Processing Systems .

Um artigo relacionado à regressão que encontrei é o seguinte . Detalhes técnicos podem ser encontrados na Seção 2.3.

Seok, KH, Shim, J., Cho, D., Noh, GJ e Hwang, C. (2011). Os mínimos quadrados semiparamétricos de efeito misto suportam máquinas vetoriais para analisar dados farmacocinéticos e farmacodinâmicos. Neurocomputing , 74 (17), 3412-3419.

Nenhum software público foi encontrado, mas os autores alegaram a facilidade de uso no final do artigo.

A principal vantagem do LS-SVM proposto ... é que os estimadores de regressão podem ser facilmente calculados por softwares que resolvem um sistema simples de equações lineares. Isso facilita a aplicação da abordagem proposta à análise de dados de medição repetidos na prática.

Para elaborar um pouco mais, existem duas abordagens para análise de regressão usando SVM (máquina de vetores de suporte):

• regressão de vetores de suporte (SVR) [Drucker, Harris; Burges, Christopher JC; Kaufman, Linda; Smola, Alexander J .; e Vapnik, Vladimir N. (1997); "Support Vector Regression Machines", in Advances in Neural Information Processing Systems 9, NIPS 1996, 155-161]
• mínimos quadrados suportam máquina de vetores (LS-SVM) [Suykens, Johan AK; Vandewalle, Joos PL; Os mínimos quadrados suportam classificadores de máquinas vetoriais, Neural Processing Letters , vol. 9, n. 3, junho de 1999, pp. 293–300.]

O mencionado Seol et al. (2011) adotaram a abordagem LS-VSM .