关联规则挖掘——以仲景方配伍规律挖掘为例(3)分析讲课讲稿.pptVIP

数据源节点 类型节点 模型节点——fields标签 模型节点——model标签 目录 解决的问题 关联规则相关理论基础 SPSS CLEMENTINE中实现的关联规则挖掘算法 案例：仲景方配伍规律挖掘 问题 仲景方数据集 仲景方数据预处理 仲景方配伍规律挖掘 √ 事务格式 数据流窗口 数据源节点 类型节点设置 模型节点设置 结果节点 分析结果 问题 仲景方，即张仲景所创方剂，因其配伍严谨、疗效卓著，被后世尊奉为经方。 总结张仲景的用药配伍规律 分别从八纲中的寒、热、虚、实；病位中的表里、五脏六腑、六经、仲景方出处等角度分别总结张仲景治疗寒、热、虚、实等诸证的遣方用药规律。 杨雪梅 博士 中医证研究基地 yxm_wj@ 目录 解决的问题 关联规则相关理论基础 SPSS CLEMENTINE中实现的关联规则挖掘算法 案例：仲景方配伍规律挖掘 √ 解决的问题——关联 购物篮问题：顾客购买了牛奶后，购买面包的可能性有多大 药性规律问题：是否酸味的药常入肝经？比例是多少？如果具有酸味，那么该药入肝经的比例会比入肝经药占全部药物的比例提升多少？ 处方问题：**专家处方中开出生姜*桂枝*白芍三味药用于治疗寒证的次数有多少？比例有多少？专家处方中开出生姜*桂枝*白芍三味药用于治疗寒证的比例与所治疗病证中寒证出现的比例之间的比值是多少？ 处方集举例 1麻黄;桂枝;白芍 2麻黄;桂枝;白芍;干姜 3麻黄;白术;干姜 4桂枝;白芍;白术;干姜 5麻黄;桂枝;白术;干姜 目录 解决的问题 关联规则相关理论基础 关联规则 分类关联规则 兴趣度参数 SPSS CLEMENTINE中实现的关联规则挖掘算法 案例：仲景方配伍规律挖掘 √ 关联规则 关联规则 (Association Rule)是形如R: A→B的规则，满足A∩B=Φ sup(R)≥min_sup conf (R)≥min_conf。 其中，A,B均为属性集合，sup(R)为规则R的支持度，min_sup为最小支持度阈值；conf (R)为规则R的置信度，min_conf为最小置信度阈值。 如：泽泻 白术 猪苓 = 茯苓 分类关联规则 分类关联规则 (Class Association Rule)是形如R: C→D的规则，满足C∩D=Φ sup(R)≥min_sup conf (R)≥min_conf。 其中，C为条件属性(或中药)集合，D为决策属性(或方剂分类)；sup(R)为规则R的支持度，min_sup为最小支持度阈值；conf (R)为规则R的置信度，min_conf为最小置信度阈值。 如：桂枝*生姜*白芍→寒证 兴趣度参数 规则R的支持度定义如下： sup(R) = P(A∩B) ; P(A∩B)为A和B同时出现的概率； 规则R的置信度定义如下： conf(R) = P(B|A); P(B|A)为在A出现条件下出现B的条件概率。 规则R的提升度定义如下： lift(R)= P(B|A)/ P(B); 条件A的出现对B出现概率的提升，说明A与B之间的相关性，大于1为相关，小于1则不相关 兴趣度参数 支持度（support）、置信度（confidence）、提升度（或作用度，lift）是描述分类关联规则兴趣度的三项重要指标，支持度反映规则的普遍性，置信度反映规则的可靠性，提升度反应规则两侧属性之间的相关性，通常选择支持度、置信度、提升度均较高的规则作为发现的有趣模式。 关联规则挖掘算法通常需要设置两个参数：即最小支持度阈值min_sup为5%；最小置信度阈值min_conf为50%。 关联规则——举例 例如： 泽泻 白术 猪苓 = 茯苓 sup=0.1565; conf=0.9684; lift=2.24 共有591首脾胃湿热方中有92首方剂同时出现泽泻、白术、猪苓、茯苓四味中药，故规则的支持度为15.65%；因95首同时出现泽泻、白术、猪苓三味中药的脾胃湿热方中有92首方剂同时出现茯苓这味药，故上述规则的置信度为96.84%。因茯苓出现的概率43%，则提升度为2.24. 分类关联规则——举例 例如：桂枝*生姜*白芍→寒证 （sup= 5.6%, conf=60%, lift=1.71） 仲景方共268首，桂枝、生姜、白芍三味中药同时出现在治疗寒证方剂中的频数为15，桂枝、生姜、白芍三味药同时出现在仲景方中的频数为25，寒证出现的概率=35%，则上述规则的支持度为：15/268=5.6%；置信度为：15/25=60%；提升度为：60%/35%=1.71。 若系统设置最小支持度阈值为5%，最小置信度阈值为50%，则该规则将作为发现的有趣模式（用药配伍