基于PC―Simple算法医院病案首页数据挖掘.docVIP

基于PC―Simple算法医院病案首页数据挖掘 　　摘 要：使用数据挖掘中的因果关系技术，分析某甲级医院住院首案中记录的高血压及其它协同疾病之间是否存在因果性。PC-Simple算法作为一种国内较少使用的因果分析算法，将其应用在对医学数据的因果关系挖掘中，能高效地得出变量之间的因果性。分析平台采用IBM SPSS Statistics进行数据预处理，以及R Studio进行数据建模分析。实验结果表明，高血压与冠状动脉粥样硬化、脑梗死、颈动脉粥样硬化、不稳定型心绞痛和急性心肌梗死之间存在着因果关系。使用PC-Simple算法得到的结果与实际医学理论相吻合，验证了该算法的有效性。 　　关键词：数据挖掘；PC-Simple；因果关系 　　DOIDOI：10.11907/rjdk.172291 　　中图分类号：TP392 　　文献标识码：A 文章编号：1672-7800（2018）002-0175-04 　　0 引言 　　关联规则挖掘作为数据挖掘的重要研究内容之一，主要研究事务数据库、关系数据库和其它信息存储中大量数据项之间隐藏的有趣规律。1993年，美国著名学者R Agrawal等[1]首次提出了挖掘布尔关联规则，之后提出了著名的基于频繁项集的Apriori算法。关联规则挖掘最初仅限于事务数据库的布尔型关联规则，近年来广泛应用于关系数据库。因此，积极开展关系数据库中挖掘关联规则的相关研究具有重要意义[2]。然而，产生的关联规则有时也是不正确的，某些时候变量之间看似具有相关性，但它有可能是由某些共同原因导致的。所以为了避免这些不确定因素，在相关性分析基础上进一步分析它们的因果关系，以确定变量之间的强关联性。 　　PC算法是一个学习因果贝叶斯网络结构的算法，它是以开发者Peter Spirts和Clark Glymour的姓命名的[3]。PC算法使用条件独立性检验确认两个变量之间的关联性是否为因果性。给出一个目标变量和预测变量的集合，判断预测变量集合中其中一个变量与目标变量是否有因果关系，都需要对预测变量集合的每个子集进行一次条件独立性判断。在一个最坏的情况下，比如有m个预测变量，则需要进行条件独立性测试的次数为2m-1。因此，PC算法仅适用于预测变量个数较少的数据集。 　　为了解决PC算法这个缺点，M Kalisch和P Buehlmann等[4]提出了PC-Simple算法。PC-Simple最初是为了在高维线性回归模型中进行有效的变量选择而开发的。在国外，PC-Simple算法也被用来分析变量之间的因果关系[5]。但是在国内，将该方法应用于因果关系分析的研究还很少，人们分析因果关系通常采用贝叶斯网络。本文将PC-Simple应用于分析疾病间的因果关系上，在真实数据中验证了其实用性。 　　1 贝叶斯网络 　　1.1 贝叶斯网络概念 　　贝叶斯网络应用于人工智能的几大细分领域包括因果推理、不确定性知识表示、模式识别和分类等，它结合了人工智能、概率理论以及图形理论，是一种将因果知识和概率知识相结合的信息表示框架[6]。它是基于概率推理的图形化网络，也是表现和推理因果关系的主要方式。给定一组表示域的变量，贝叶斯网络给出一个有向无环图（DAG）的完整联合概率。该有向无环图包含了代表节点和弧的变量，绘制出变量之间的依赖关系[7]。 　　1.2 贝叶斯网络简介 　　贝叶斯网络包括一个有向无环图（DAG）和一个条件概率表集合。DAG中每一个节点表示一个随机变量，可直接观测变量或隐藏变量，而有向边表示随机变量间的条件依赖；条件概率表中的每一个元素对应DAG中的唯一节点，存储此节点对于其所有直接前驱节点的联合条件概率。 　　如图1所示为一个简单的贝叶斯网络模型，A独立于它的非后代D、E和H；B、C变量相互独立并且它们都独立于D、E和H；D和E都没有双亲，此外它们还相互独立，并且都独立于A、B、C、Z和H；G的有条件双亲为D、Z和E，独立于A、B、C和H；F独立于除了其父节点以外的变量；H是一个孤立节点，所以它独立于所有节点；Z独立于A、D、E和H，它的双亲为B和C。V为一个贝叶斯网络的变量集合，联合概率分布为： 　　在一个数据集中可以通过因果贝叶斯网络结构发现变量之间的因果关系，但这不能说明因果关系的方向问题，谁是因谁是果不能仅从贝叶斯网络的边缘方向来判断，因为依靠数据集不能完全确定边缘方向。因此从数据集中学习贝叶斯网络，只能得出两个变量之间有因果关系，但是谁是原因、谁是结果还无法确定，此时则需要用到PC-Simple算法。 　　2 PC-Simple算法 　　2.1 PC-Simple算法定义 　　PC算法是一种学习因果贝叶斯网络结构的常用方法[8]。在数据集中，对于一对变量或节点（X， Y），PC算法用于检