网络图应用于中医研究的探讨.pdfVIP

大于最小support值的内容筛选出来，这些内容每一条构成一个频繁项集。例如 针对某种疾病治疗的中药用药数据库，寻找用药的频繁项集，设定support值为 20％，通过计算所得到的含有某种药物的频繁项集如表1。 表1 含有一种药物的频繁项集 药物(频繁项集)!在病人中应用的频数占全部病人的比例(％) (茯苓) 2521．000 49．29605 (白芍) 2052．000 40．12515 (当归) 1815．000 35．49081 (柴胡) 1513．000 29．58545 (生甘草) 1411．000 27．59093 (蜜甘草) 1401．000 27．39539 (炒白术) 1397．000 27．31717 (陈皮) 1361．000 26．61322 (大枣) 1314．000 25．69417 (党参) 1 146．000 22．40907 (麦冬) 1060．000 20．72741 表1中的每个频繁项集都只包含了一种药物。由表可以看出，仅就单一一种 1 药，茯苓的用药频数最高；按最小support值为20％，可以从数据库中选出1 种中药。频繁项集方法还可以用于搜索包含两种或多种药物的频繁项集。 1．2关联规则 在得到频繁项集的基础上，可以对频繁项集中内容的关联性进行探讨。每一 j 条关联规则可以表述成“A B”的形式。其中A被称为前项，B被称为后项。 在一般的数据挖掘中，如果A和B符合以下两个条件则生成一条关联规则 Aj 一个频繁项集；(2)在A出现的情况下，B也出现的概率，即confidence值， 大干一个分析者事先设置的底限(最小confidence值)。 相关；lift值越大相关程度越高。 据提取关联规则结果如表2。 表2 部分关联规则输出结果 == Lift 前项 后项 Confidence(％) Support(％) 当归 ==白芍 21．5486960．71625 1．513172 白芍 ==当归 21．5486953．703701．513172 == 20．98162 870 柴胡 自芍 70．91 1．767438 == 20．98162 52．29045 白芍 柴胡 1．767438 == 茯苓 炒白术 21．9006644．426811．626333 == 炒白术 茯苓 21．9006680．171801．626333 由表2可以看出，当归和白芍、柴胡和白芍、茯苓和炒白术三组药support 值都大于20％，表明三组药都被经常一起使用。六条关联规则中confidence值都 大于40％，]1ft值都大干1．5，表明三组药之间有较高的关联度和相关性。 2．网络图的展示 由1．1和1．2所