縦断データによるSVM回帰

患者あたり約500の変数があり、各変数には1つの連続値があり、3つの異なる時点（2か月後と1年後）で測定されます。回帰により、新しい患者の治療結果を予測したいと思います。

そのような長期データでSVM回帰を使用することは可能ですか？

はい、可能です。ただし、Fisher Kernelを使用した縦断データでは、RBFまたは線形データよりもうまく機能します。あなたのような同様の設定は、このNIPS紙に与えられる：http://research.microsoft.com/pubs/147234/NIPS08.pdf

これは興味深い質問で、簡単な調査を行いました。

OPは連続データの回帰について尋ねました。しかし、@ Vikramによって引用された論文は分類に対してのみ機能します。

Lu、Z.、Kaye、J.、＆Leen、TK（2009）。縦断的データのための階層的フィッシャーカーネル。で神経情報処理システムの進歩。

私が見つけた回帰の関連論文は次のとおりです。技術的な詳細については、セクション2.3を参照してください。

Seok、KH、Shim、J.、Cho、D.、Noh、GJ、＆Hwang、C.（2011）薬物動態学的および薬力学的データを分析するためのセミパラメトリック混合効果最小二乗サポートベクターマシン。ニューロコンピューティング、74（17）、3412-3419。

公開されているソフトウェアは見つかりませんでしたが、著者は本書の最後で使いやすさを主張しました。

提案されたLS-SVM ...の主な利点は、単純な線形方程式システムを解くソフトウェアによって回帰推定量を簡単に計算できることです。これにより、提案されたアプローチを実際の繰り返し測定データの分析に適用することが容易になります。

もう少し詳しく説明すると、SVM（サポートベクターマシン）を使用した回帰分析には2つの方法があります。

• サポートベクター回帰（SVR） [ドラッカー、ハリス; バージス、クリストファーJC; リンダ・カウフマン; スモラ、アレクサンダーJ .; およびVapnik、Vladimir N.（1997）。「ニューラル情報処理システムの進歩 9、NIPS 1996、155–161 」の「サポートベクター回帰マシン」
• 最小二乗サポートベクターマシン（LS-SVM） [Suykens、Johan AK; Vandewalle、Joos PL; 最小二乗法は、ベクトルマシン分類器、Neural Processing Letters、vol。9、いいえ。1999年6月3日、293〜300ページ。]

前述のSeolら。（2011）LS-VSMアプローチを採用。