Regresión SVM con datos longitudinales

Tengo alrededor de 500 variables por paciente, cada variable tiene un valor continuo y se mide en tres puntos de tiempo diferentes (después de 2 meses y después de 1 año). Con la regresión, me gustaría predecir el resultado del tratamiento para nuevos pacientes.

¿Es posible usar la regresión SVM con tales datos longitudinales?

Si, esto es posible. Excepto que en datos longitudinales el uso de Fisher Kernel funciona mejor que RBF o Linear. Una configuración similar a la suya se da en este documento de NIPS: http://research.microsoft.com/pubs/147234/NIPS08.pdf

Esta es una pregunta interesante e hice una investigación rápida.

El OP preguntó sobre la regresión para datos continuos. Pero el artículo citado por @Vikram solo funciona para la clasificación .

Lu, Z., Kaye, J. y Leen, TK (2009). Kernels jerárquicos de Fisher para datos longitudinales. En avances en sistemas de procesamiento de información neuronal .

Un artículo relacionado para la regresión que encontré es el siguiente . Los detalles técnicos se pueden encontrar en la Sección 2.3.

Seok, KH, Shim, J., Cho, D., Noh, GJ y Hwang, C. (2011). Máquina de vector semiparamétrica de mínimos cuadrados de efecto mixto para analizar datos farmacocinéticos y farmacodinámicos. Neurocomputing , 74 (17), 3412-3419.

No se encuentra ningún software público, pero los autores afirman la facilidad de uso al final del documento.

La principal ventaja de la propuesta LS-SVM ... es que los estimadores de regresión pueden calcularse fácilmente mediante softwares que resuelven un sistema de ecuación lineal simple. Esto facilita la aplicación del enfoque propuesto para el análisis de datos de mediciones repetidas en la práctica.

Para elaborar un poco más, hay dos enfoques para el análisis de regresión usando SVM (máquina de vectores de soporte):

• soporte de regresión vectorial (SVR) [Drucker, Harris; Burges, Christopher JC; Kaufman, Linda; Smola, Alexander J .; y Vapnik, Vladimir N. (1997); "Máquinas de regresión de vectores de soporte", en Avances en sistemas de procesamiento de información neural 9, NIPS 1996, 155–161]
• máquina de vectores de soporte de mínimos cuadrados (LS-SVM) [Suykens, Johan AK; Vandewalle, Joos PL; Los mínimos cuadrados admiten clasificadores de máquinas de vectores, Neural Processing Letters , vol. 9, no. 3, junio de 1999, págs. 293–300.]

El ya mencionado Seol et al. (2011) adoptaron el enfoque LS-VSM .