本文帮助客户运用关联规则方法分析中医治疗脑出血方剂。
用Apriori模型挖掘所选用的主要药物及其用药规律,为临床治疗脑出血提供参考
Apriori模型在挖掘主要药物及其用药规律，为临床治疗脑出血提供参考方面的应用，主要体现在对医疗数据的深度分析和模式识别上。以下是一个大致的步骤和预期结果的描述：
首先，需要收集脑出血病人的用药数据，包括病人的个人信息、病情诊断、用药种类、用药剂量、用药时间等。这些数据是进行Apriori算法分析的基础。
然后，使用Apriori算法对这些数据进行处理和分析。Apriori算法是一种关联规则挖掘算法，它能够从大量数据中发现项集之间的关联关系。在这个场景中，算法将寻找那些经常一起使用的药物组合，即频繁项集。这些频繁项集可能揭示了某种用药规律或者药物之间的协同作用。
脑出血急性期用药数据
可下载资源
作者
读取数据
a_df3=read.xlsx("脑出血急性期用药最常配伍关联分析2.xlsx")将数据转化成关联数据
a_df3=a_df3[,-1]
## set dim names
#
a_df3=t(a_d3)
dimnams(a_df3) <- list(row.ames(a_d
paste("Tr",c(1:ncol(adf3)), sep
查看每个药品的出现频率
uencPlot(dat1, support = 0.3, cex.names=0.8)
可以看到每个药品出现的频率，从而判断哪些药品的支持度较高
得到频繁规则挖掘
察看求得的频繁项集
根据支持度对求得的频繁项集排序并查看
关联规则挖掘
apriori(dat设置支持度为0.01，置信度为0.3
summary(rules)#查看规则随时关注您喜欢的主题
查看部分规则
inspect(rules)
查看置信度、支持度和提升度
quality(head(rules))
绘制不同规则图形来表示支持度，置信度和提升度
通过改图 可以看到 规则前项和规则后项分别有哪些药品 以及每个药品的支持度大小，支持度越大则圆圈越大。
从该图可以看到支持度和置信度的关系，置信度越高提升度也越高
从该图可以看到支持度和置信度的关系，提升度越高置信度也越高
从上图可以看到 不同药品之间的关联关系 图中的点越大说明该药品的支持度越高，颜色越深说明该药品的提升度越高。
查看最高置信度样本规则
rules <- sort(rules, by="confidence")
查看最高提升度样本规则
得到有价值规则子集
x=subset(rules,subset=confidence>0.3 & support>0.2 & lift>=1) #得到有价值规则子集
对有价值的x集合进行数据可视化
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
SPSS modeler关联规则、卡方模型探索北京平谷大桃产业发展与电商化研究
R语言、WEKA关联规则、决策树、聚类、回归分析工业企业创新情况影响因素数据
SPSS modeler用关联规则Apriori模型对笔记本电脑购买事务销量研究
WEKA关联规则挖掘Apriori算法在学生就业数据中的应用
