Los métodos longitudinales se pueden combinar en un marco de superaprendizaje (lo he hecho por trabajo), y muchos métodos longitudinales permiten componentes que varían en el tiempo o efectos aleatorios. Los métodos longitudinales incluyen árboles RE-EM, modelos estadísticos tradicionales (SEM, GEE, GLMM) y algunos métodos más nuevos basados en regresión potenciada. Obtener una nueva importancia variable combinada es algo en lo que no he podido trabajar mucho, pero el superaprendizaje es bastante sencillo de construir a partir de modelos longitudinales existentes.
Aquí hay algunas buenas referencias a métodos existentes que extienden modelos estadísticos de modelos longitudinales (que se publican en la literatura):
Pande, A., Li, L., Rajeswaran, J., Ehrlinger, J., Kogalur, UB, Blackstone, EH e Ishwaran, H. (2017). Árboles multivariados potenciados para datos longitudinales. Machine Learning, 106 (2), 277-305.
Sela, RJ y Simonoff, JS (2012). Árboles RE-EM: un enfoque de minería de datos para datos longitudinales y agrupados. Aprendizaje automático, 86 (2), 169-207.
Para los predictores que varían con el tiempo, probablemente aún sugiera SEM (modelos de ecuaciones estructurales), ya que hay mucho trabajo teórico sobre ellos y la flexibilidad inherente a su estructura. Se podría crear una variedad de estructuras y luego combinarlas en un marco de superaprendizaje.
- Cómo entrenar clasificador lineal paso a paso con Caffe, utilizando las respuestas de la última capa completamente conectada del modelo AlexNet como características
- Entre la agrupación y la clasificación, ¿cuál requiere más experiencia?
- ¿Cuáles son algunos buenos libros para principiantes y avanzados sobre redes neuronales e inteligencia artificial?
- Cómo usar la prueba T de Student para la selección de funciones
- ¿Por qué el clasificador Bayes Network funciona tan bien como SVM con menos funciones que las que se usan con SVM?
