具有纵向数据的SVM回归

我每个患者大约有500个变量，每个变量都有一个连续值，并在三个不同的时间点（两个月后和一年后）进行测量。通过回归，我想预测新患者的治疗结果。

是否可以对此类纵向数据使用SVM回归？

是的，这是可能的。除了在纵向数据中使用Fisher内核比RBF或线性函数更好。在此NIPS论文中提供了与您类似的设置：http ://research.microsoft.com/pubs/147234/NIPS08.pdf

这是一个有趣的问题，我进行了快速研究。

OP询问是否需要回归以获取连续数据。但是@Vikram引用的论文仅适用于分类。

Lu，Z.，Kaye，J.，＆Leen，TK（2009）。纵向数据的费希尔核分层结构。在在神经信息处理系统的进步。

我发现的有关回归的论文如下。技术细节可以在第2.3节中找到。

Seok，KH，Shim，J.，Cho，D.，Noh，GJ，＆Hwang，C.（2011年）。半参数混合效应最小二乘支持向量机，用于分析药代动力学和药效学数据。神经计算，74（17），3412-3419。

没有找到公共软件，但作者在本文结尾声明了易用性。

所提出的LS-SVM ...的主要优点是，可以通过求解简单线性方程组的软件轻松计算回归估计量。在实践中，这使得将建议的方法应用于重复测量数据的分析变得更加容易。

详细说明一下，有两种使用SVM（支持向量机）进行回归分析的方法：

• 支持向量回归（SVR） [Drucker，Harris; 伯吉斯，克里斯托弗·JC；琳达·考夫曼；斯莫拉（Smola），亚历山大（Alexander J.）和Vapnik，Vladimir N.（1997）；“支持向量回归机”，神经信息处理系统第 9版，NIPS 1996，155-161]
• 最小二乘支持向量机（LS-SVM） [Suykens，Johan AK; Jode PL Vandewalle；最小二乘支持向量机分类器，神经处理字母，卷。9号 3，1999年6月，第293-300页。]

前面提到的Seol等。（2011年）采用LS-VSM方法。