Tôi có khoảng 500 biến cho mỗi bệnh nhân, mỗi biến có một giá trị liên tục và được đo tại ba thời điểm khác nhau (sau 2 tháng và sau 1 năm). Với hồi quy tôi muốn dự đoán kết quả điều trị cho bệnh nhân mới.
Có thể sử dụng hồi quy SVM với dữ liệu theo chiều dọc như vậy không?
Câu trả lời:
Vâng, điều này là có thể. Ngoại trừ việc trong dữ liệu theo chiều dọc, sử dụng Fisher Kernel hoạt động tốt hơn so với RBF hoặc tuyến tính. Một cài đặt tương tự như của bạn được đưa ra trong bài viết NIPS này: http://research.microsoft.com/pub/147234/NIPS08.pdf
Đây là một câu hỏi thú vị và tôi đã làm một nghiên cứu nhanh chóng.
OP đã hỏi về hồi quy cho dữ liệu liên tục. Nhưng bài báo được trích dẫn bởi @Vikram chỉ hoạt động để phân loại .
Lu, Z., Kaye, J., & Leen, TK (2009). Phân cấp Fisher Kernels cho dữ liệu theo chiều dọc. Trong những tiến bộ trong hệ thống xử lý thông tin thần kinh .
Một bài báo liên quan đến hồi quy tôi tìm thấy là như sau . Chi tiết kỹ thuật có thể được tìm thấy trong Phần 2.3.
Seok, KH, Shim, J., Cho, D., Noh, GJ, & Hwang, C. (2011). Máy vectơ hiệu ứng hỗn hợp tối thiểu nửa hiệu ứng hỗn hợp để phân tích dữ liệu dược động học và dược lực học. Máy tính thần kinh , 74 (17), 3412-3419.
Không có phần mềm công cộng được tìm thấy nhưng các tác giả tuyên bố sự dễ sử dụng ở cuối bài.
Ưu điểm chính của LS-SVM được đề xuất ... là các công cụ ước tính hồi quy có thể được tính toán dễ dàng bằng các phần mềm giải hệ phương trình tuyến tính đơn giản. Điều này giúp dễ dàng áp dụng phương pháp đề xuất vào phân tích dữ liệu đo lặp lại trong thực tế.
Để giải thích thêm một chút, có hai cách tiếp cận để phân tích hồi quy bằng SVM (máy vectơ hỗ trợ):
Seol đã nói ở trên và cộng sự. (2011) đã áp dụng phương pháp LS-VSM .