基于兴趣度的Apriori算法在电子病历数据分析中的应用_刘立刚

兴趣度描述的是规则 X Y 中项集 X 与项集 Y 之间相关程度，其数学描述存在多种形式，主要 原因是由于：①处于不同角色的用户，所关注的关 联规则会出现不同；②所选的数据集属性不同时.
文中采用的是基于相关性的兴趣度， 实现对 Apriori 算法进行改进， 算法的具体描述为： 假设 P（X）为数据集中项集 X 发生的概率，P（Y）为数据 集 Y 中项集发生的概率，P（XY）为数据集中项集 X 与项 集 Y 同 时 发 生 的 概 率 ，若 P（XY）=P（X）P（Y）
然而通过对原始病历数据库中的数据进行统 计得出：患有流行性感冒同时有咳嗽症状的病人占 原始病历数据库的 52 %. 而使用 Apriori 算法挖掘 出的关联规则显示有 71.4 %的病人同时患有流行 性感冒和咳嗽， 通过分析可知使用 Apriori 算法所 生成的关联规则与实际统计结果之间存在较大出 入 ，Apriori 算 法 所 生 成 的 关 联 规 则 明 显 高 于 实 际 情况，因此该规则没有明显的实际意义，同时还具 有一定误导的作用，妨碍医生的正常诊断.
关联规则的兴趣度描述了规则 X Y 中项集 X 与项集 Y 之间相关程度，若规则 X Y 兴趣度值 越大，则 X 与 Y 的相关程度也越大. 兴趣度是在基 于统计独立性假设下真正的强度与期望的强度之 比， 在关联规则中引入兴趣度主要有以下作用：① 能够将关联程度低的规则进行过滤，进一步减少了 候 选 频 繁 项 集[12]，提 高 算 法 的 运 算 效 率 ；②能 够 将 没有现实意义且容易引起“错觉”的强关联规则进 行修剪，增强了所生成关联规则的实用性.
Abstract：Based on the analysis of the Apriori algorithm, the example of case is used to describe the weak point of the Apriori algorithm. This paper improves the Apriori algorithm by adding the threshold of interest value. The improved algorithms can analyze the data from electronic patient record and extract right association rules, build the intelligent medical diagnostic model of Apriori algorithms based on interest measure. The experiment results show that the model could extract the meaningful and worthwhile association rules. This model improves the work efficiency of doctors. Key words：Apriori algorithms; interest measure; electronic patient record; medical diagnostic model
表 1 感冒和咳嗽症状病历数统计表
病历数
a
b
25
b
80
总计
105
a
总计
10
35
5
85
15
120
通过分析关联规则“咳嗽”→“流行性感冒”，通过 计算可以得出该规则的支持度为 S=25/120=20.8 %， 置 信 度 为 ，C=a∪b/b=25/35=71.4 % 这 条 关 联 规 则 的具体含义是： 患有咳嗽症状的病人中有 71.4 % 的人同时患有流行性感冒.
表示项集 X 与项集 Y 相互独立；若 P（XY）≠P（X）· P（Y）表示事件 X 与事件 Y 相关，两者相互不独立. 对于所挖掘出来的关联规则 X Y，项集 X 与项集 Y 的兴趣度为：
RI（X Y）= P（XY） P（X）P（Y）
当 RI＞1 时，说明项集 X 与项集 Y 之间是正相 关的，X 的发生会增大 Y 发生的概率.
（Y∈A）， 所有包含项目集 X、Y 的事务在事务集 B
中所占的百分比，即：
SUPPORT（X Y）＝ X∪Y B
所有满足用户给定最小支持度的事务集为频繁项集[9].
定义 2 置信度[10]：同时包含 X、Y 的事务数在
包含 X 事务中所在百分比，即：
CONFIDENCE（X
Y）＝
SUPPORT（X∪Y） SUPPORT（X）
DOI:10.13265/ki.jxlgdxxb.2013.05.009
第 34 卷 第 5 期 2013 年 10 月
江西理工大学学报
Ｊｏｕｒｎａｌ ｏｆ Ｊｉａｎｇｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ
文章编号：２０９５－３０４６（２０１３）０５－００７２－０５
0 引言
计算机在医疗领域的广泛应用， 国内各大医 院都建立了医院信息管理系统， 覆盖了诊断、治 疗、化验等环节. 随着信息技术的不断发展，医院 数据库中产生了大量的历史数据， 运用数据挖掘 算法对这些数据进行分析与归纳，便能从这些海量
数据中挖掘出有价值的知识和规则. Apriori 算法[1] 是由 R.Agrawal 等人提出的一种快速挖掘算法，是 一 个 基 于 两 阶 段 频 集 思 想 的 算 法 [2]， 文 献 [3] 分 析 了 Apriori 核心算法， 指出了 Apriori 算法忽略了反面 事例的情况，同时该算法仅使用支持度和置信度进 行关联规则提取，容易引起误导. 文献[4]提出了一 种 FP-aprgrowth 算法， 该算法综合了 Apriori 方法 和 FP-growth 方法二者优点，其算法的提高了挖掘
Step6：当没有新的频繁项集生成时，将所有大于
最小置信度的规则保留，生成最终所需的关联规则. 1.3 Apriori 算法存在的问题
Apriori 关联规则能够根据上述步骤， 并根据 所设置的兴趣度和置信度从海量的数据中挖掘出 具有现实意义的关联规则. 然而该算法在实际应 用当中存在以下问题：
（1）挖掘出不正确的强关联规则。 根据 Apriori 关联规则算法的描述，对数据库中的数据进行扫描 所生成的强关联规则， 在现实环境中不一定正确， 有些甚至会产生误导. 表 1 为数据库中感冒和咳 嗽症状病历数的统计表，其中 a 和 a 分别代表有流 行性感冒和没有流行性感冒的记录数，b 和 b 分别 代表有咳嗽和没有咳嗽症状的记录数.
（2）Apriori 算法仅使用支持度作为候选项集 生成的决定因素，若最小支持度设置的过低，能够 保证不丢失有意义的规则，但算法的开销会过于庞 大；若最小支持设置的过高，将可能丢失具有现实 意义的规则.
（3）需要多次扫描数据库，Apriori 算法在生成 候选频繁项集时需要对数据库中的数据进行遍历. 当数据库中存有大量数据时，将导致系统的 I/O 负 载增大，处理速度变慢，严重影响算法的执行效率.
74
江西理工大学学报
2013 年 10 月
2 Apriori 关联规则的改进
针对 Apriori 算法对数据库进行扫描时存在扫 描次数多、系统负载大、可能生成错误的强关联规 则等不足， 在本节中通过对 Apriori 关联规则算法 进行改进， 引入兴趣度阈值克服传统的算法的不 足，以实现高效的挖掘具有价值的强关联规则.
Step3： 根 据 所 设 定 的 最 小 支 持 度 ， 生 成 频 繁 项
集，记为 L1； Step4： 将频繁 k-项集通过自连接产生长度为
k 的候选 k-项集，根据最小支持度，生成频繁 k-项
集，记为 Lk；
Step5：循 环 执 行 Step4，直 至 没 有 新 的 候 选 项
集生成；
收稿日期：2013-04-03 基 金 项 目 ：江 西 省 教 育 厅 科 技 项 目 （GJJ12350 ） 作者简介：刘立刚（1976- ），男，副教授，主要从事产业经济、科技政策、应用统计等方面的研究，E-mail: liuligang76@.
第 34 卷 第 5 期
刘立刚，等：基于兴趣度的 Apriori 算法在电子病历数据分析中的应用
Application of Apriori algorithm based on interest measure in data analysis of electronic medical records
LIU Li-gang1, ZHONG Rui2,YANG Juan1
(1.School of Economies and Management,Jiangxi University of Science and Technology,Ganzhou 341000,China; 2. School of Mathematics and Computer Science, Gannan Normal University, Ganzhou 341000, China)
当 RI＜1 时，说明项集 X 与项集 Y 之间是负相 关的，X 的发生会降低 Y 发生的概率.
当 RI=1 时， 说明项集 X 与项集 XY 之间是相 互独立的，X 与 X 之间没有相关性.
3 基于兴趣度的 Apriori 算法的医疗诊断 模型
3.1 医疗诊断模型工作流程 图 1 为医疗诊断模型的工作流程图，在该诊断
模型中主要包含了以下几个模块： 数据预处理模块：对病历原始数据库中数据进
行集成、清洗以及变换等预处理. 关联规则挖掘模块： 使用基于兴趣度的
Apriori 算法对经过预处理的数据进行关联规则提 取，生成具有使用价值的关联规则.
诊断模块：运用诊断数据库中的关联规则对患 者的症状进行辅助诊断.