基于院内感染数据挖掘.docVIP

基于院内感染的数据挖掘 —FP-growth算法 电子信息工程学院 计算机科学与技术专业 张 薇 指导教师 FP-growth算法，该算法是一个频繁集产生算法,优点在于它不需要产生大量的候选集，因而在时间和空间上都有很好的效率。 在该系统实现过程中，首先对数据进行预处理，将数据离散化。 然后采用FP-growth算法对数据进行挖掘，为确保程序正确，在系统的开发过程对每个功能模块都用测试数据验证正确性，比较模块的执行结果是否与预期结果相一致。在FP-tree具体的实现中，通过了一系列的从低到高的数据结构来实现它，在程序的数据结构的定义和算法的实现的时候大量采用了C++的标准模板库(STL,Standard Template Library).这是基于以下的原因,PF－growth所涉及到的数据结构和基本算法比较复杂，但也都是以往的常用数据结构和算法多层嵌套,如向量类,集合类,快速排序算法等.而STL正是包含了这样许多通用的数据结构和基本算法的库。 最后阶段是结果分析，该系统得到的挖掘结果与实际生活相符合如夏季易得肠胃疾病，春节易得上呼吸道疾病，这进一步验证了挖掘结果的可靠性，但也得到一些人们没有预知到的结果，这需要医疗研究人员进一步验证。 该算法实现基于Window平台，编程工具是C++ builder，编程语言C++,采用STL。 关键词：数据挖掘，关联规则，支持度，置信度，FP－growth，FP-tree 一、数据挖掘过程概述 数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。 数据挖掘过程是多个步骤相互连接、反复进行人机交互的过程。：数据准备：搜集与相关病人数据。数据预处理：数据理解、属性选择、连续数据离散化、数据中噪声及缺失值处理、属性编码、实例选择等。：选择合适算法进行挖掘。解释评估：剔除冗余模式，进行。FP-growth算法是一个频繁集产生算法,与一般的类似于Apriori的频繁集产生算法相比,FP-growth的优点在于它不需要产生大量的候选集,因而在时间和空间上都有很好的效率。 首先,程序必须注意速度。因为它们常常涉及大量数据的处理。因此在程序中许多需要排序的数据结构都使用了平衡树,这是一种高效的对全序元素的组织方式。 其次,是对空间占用的考量。同样因为要处理大量的数据。 第三，是编程风格的考虑.要尽量采用通用化的代码。 基于上面三点的考量，本文在对程序的数据结构的定义和算法的实现的时候大量采用了C++的标准模板库(STL,Standard Template Library)。 （二）院内感染算法实现 本文所实现的数据挖掘算法实现分两个阶段： a 频繁集的产生 b 关联规则产生 本文从数据结构和算法两方面对程序的实现进行详细说明。 1．数据结构 对应于算法描述中所出现的各个对象分别定义了一些数据结构.为了最大优化程序的效率，笔者根据各个对象被操作方式的不同定义不同的模板，如下表： 对象被操作方式 选用模板 模板的结构 排序 Vector 向量 遍历 List 双向链表 插入、删除、查找 map、set 红黑树（一种平衡树）A 频繁集的产生 第一步：建立频繁项头表和FP-tree。 FP-tree是一个压缩的数据结构,它用较少的空间存储了后面频繁集挖掘所需要的全部信息。)。频繁项头表记录频繁项和指向FP-tree的同名节点的指针。 建立频繁项头表和FP-tree的功能用AL1函数实现，具体流程如下： 首先扫描离散化后的数据进行统计，计算出每个属性值的出现次数。然后对每行属性值进行排序。第三步输入第一步得出的结果建立头表。最后根据以上几步的内容建立PF－tree。 第二步：产生频繁集 调用第一步所建立的频繁项头表和FP-tree,产生频繁集。此功能用AL2函数实现具体流程如下： AL2函数流程 B产生关联规则 遍历所有频繁集，求出每个频繁集的所有组合，然后筛选出满足suport（此组合）/support（此频繁集）=置信度的组合。最后将筛选后的组合以及该频繁集减去该组合输出。这就是关联规则。 四、程序结果分析 首先为了验证程序的正确性，用测试数据测试每个功能模块，将运行结果于预期结果相对比。结果完全一致，确保了程序正确执行。 然后对该医院感染的数据挖掘结果进行分析，随着用户输入的支持度与置信度的不同，结果随之变化。例如当输入支持度20，置信度50，则结果如下： 结果 从结果可看出： a.春季易得上呼吸道疾病 b.夏季易得肠胃疾病。 c. 用过青霉素的病人也可能得呼