Me preguntaba si había alguna técnica de aprendizaje automático (sin supervisión) para modelar datos longitudinales. Siempre he usado modelos de efectos mixtos (en su mayoría no lineales), pero me preguntaba si hay otras formas de hacerlo (usando el aprendizaje automático).
Por aprendizaje automático, me refiero a bosque aleatorio, clasificación / agrupamiento, árboles de decisión e incluso aprendizaje profundo, etc.
machine-learning
mixed-model
John_dydx
fuente
fuente
Respuestas:
En el caso de que haya múltiples observaciones de un sujeto (p. Ej., Múltiples visitas del mismo paciente), la 'identificación del paciente' es una variable de 'agrupación'. Se debe tener cuidado durante la evaluación del modelo para que las visitas del mismo paciente no aparezcan tanto en los datos de entrenamiento como de prueba, ya que estos están correlacionados y conducirán a la inflación de la precisión del clasificador .
La documentación de sklearn de validación cruzada tiene iteradores de validación cruzada para datos agrupados. Ver GroupKFold , LeaveOneGroupOut y LeavePGroupsOut .
Aún mejor, pruebe las redes neuronales recurrentes o los modelos ocultos de Markov .
fuente
Puede modelar su longitudinal con métodos estándar de aprendizaje automático simplemente agregando características, que representan la longitudinalidad, por ejemplo, agregando una característica que represente el tiempo. O una función que indica la pertenencia a un grupo, persona, etc. (en el caso de datos del panel).
Si es creativo con la creación / extracción de características, puede modelar cualquier cosa con algoritmos ML.
fuente