R語言在關(guān)聯(lián)規(guī)則算法（Apriori）中的實(shí)現(xiàn)

劉靜頤，朱桂玲云南大學(xué)

R語言在關(guān)聯(lián)規(guī)則算法（Apriori）中的實(shí)現(xiàn)

劉靜頤，朱桂玲
云南大學(xué)

一、關(guān)聯(lián)分析的原理

關(guān)聯(lián)規(guī)則（Association）：揭示數(shù)據(jù)之間的相互關(guān)系，而這種關(guān)系沒有在數(shù)據(jù)中直接表示出來。

關(guān)聯(lián)關(guān)系的任務(wù)就是發(fā)現(xiàn)事物之間的關(guān)聯(lián)規(guī)則或稱相關(guān)程度。關(guān)聯(lián)規(guī)則的一般形式是：如果A發(fā)生，則B有百分之C的可能發(fā)生。C稱關(guān)聯(lián)規(guī)則的置信度（Confidence）

利用關(guān)聯(lián)分析能尋找數(shù)據(jù)庫中大量數(shù)據(jù)的相關(guān)聯(lián)系或相互依賴性，如分析客戶在超市買牙刷的同時(shí)又買牙膏的可能性。

二、關(guān)聯(lián)規(guī)則算法

常用關(guān)聯(lián)規(guī)則算法見下表：

算法名稱Apriori FP-Tree灰色關(guān)聯(lián)度HotSpot算法描述一種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法，其核心是基于兩階段頻集思想的遞推算法針對(duì)Apriori算法的固有缺陷，J.Han等提出了不產(chǎn)生碗蕨頻繁項(xiàng)集的方法，F(xiàn)P-樹頻集算法以分析和確定各因素之間的影響程度或若干子因素（子序列）對(duì)主因素（母序列）的貢獻(xiàn)程度二進(jìn)行的一種分析方法挖掘得到樹形結(jié)構(gòu)顯示的感興趣的目標(biāo)最大化/最小化的一套規(guī)則，最大化/最小化的利益目標(biāo)變量/值。

在此我們只介紹Apriori?；镜乃惴ú襟E如下：（1）選出滿足支持度最小閾值的所有項(xiàng)集，即頻繁項(xiàng)集；（2）從頻繁項(xiàng)集中找出滿足最小置信度的所有規(guī)則。

三、R中Apriori的實(shí)現(xiàn)

在此數(shù)據(jù)分析中我們用兩個(gè)專用于關(guān)聯(lián)分析的軟件包——arules和arulesViz.

前一個(gè)用于關(guān)聯(lián)規(guī)則的數(shù)字化生成，而另一個(gè)arulesViz軟件包作為arules的擴(kuò)展包，提供了關(guān)聯(lián)規(guī)則的可視化技術(shù)，使得關(guān)聯(lián)分析從算法運(yùn)行到結(jié)果呈現(xiàn)一體化。

（一）相關(guān)函數(shù)

在R中實(shí)現(xiàn)Apriori算法，其核心函數(shù)為apriori（），來源于arules軟件包，函數(shù)基本格式為：

apriori(data,parameter=NULL,apprearance=NULL,control= NULL)

其中parameter參數(shù)可以對(duì)支持度（support）、置信度（Confi?dence0、沒個(gè)項(xiàng)集所含項(xiàng)數(shù)的最大最小值（maxlen/minlen），以及輸出結(jié)果（target）等重要參數(shù)進(jìn)行設(shè)置。

參數(shù)appearance可以對(duì)先決條件X和關(guān)聯(lián)結(jié)果Y中具體包含哪些項(xiàng)進(jìn)行限制。

Control參數(shù)則用來控制函數(shù)性能，如可以設(shè)定對(duì)項(xiàng)集進(jìn)行升序（sort=1）還是降序（sort=-1）排序，是否向使用者報(bào)告進(jìn)程（ver?bose=FALSE/TRUE）等

（二）數(shù)據(jù)提取和處理

R中提取數(shù)據(jù)如下：

1.數(shù)據(jù)整合

將數(shù)據(jù)轉(zhuǎn)化為疏散矩陣形式，有取1，無取0（疏散矩陣），之后將疏散矩陣轉(zhuǎn)化為apriori函數(shù)可用的數(shù)據(jù)結(jié)構(gòu)。如下所示：

癥狀與中藥的關(guān)聯(lián)關(guān)系。

運(yùn)用關(guān)聯(lián)算法時(shí)，我們先嘗試對(duì)apriori函數(shù)以最少的限制，來觀察它的輸出，再以此決定下一步操作。這里將支持度的最小閾值（minsup）設(shè)置為0.5，，置信度最小閾值（mincon）設(shè)為0.6，其他參數(shù)不進(jìn)行設(shè)定取默認(rèn)值，并將所得關(guān)聯(lián)規(guī)則名記為rules0，并使用inspect函數(shù)展示詳細(xì)的關(guān)聯(lián)規(guī)則，代碼如下所示：

在上述結(jié)果中，lhs列是關(guān)聯(lián)規(guī)則的左側(cè)，rhs列是關(guān)聯(lián)規(guī)則的右側(cè)，support、confidence、lift分別是支持度、信任度和提升度。

在兩參數(shù)共同調(diào)整過程中，如果更注重關(guān)聯(lián)項(xiàng)集在總體中所占的比例，則可以適當(dāng)?shù)亩嗵岣咧С侄龋羰歉⒅匾?guī)則本身的可靠性，則可多提高一些置信度值。

提升度表示在含有X的條件下同時(shí)含有Y的可能性與沒有這個(gè)條件下項(xiàng)集中含有Y的可能性之比，即在Y自身出現(xiàn)可能性P （Y）的基礎(chǔ)上，X的出現(xiàn)對(duì)于Y的“出鏡率”P(Y|X)的提升程度：

該指標(biāo)與置信度同樣用于衡量規(guī)則的可靠性，可以看做置信度的一種互補(bǔ)指標(biāo)。

當(dāng)lift值為1時(shí)表示X與Y相互獨(dú)立，X對(duì)Y出現(xiàn)的可能性沒有提升作用，而其值越大（>1）則表明X對(duì)Y的提升程度越大，即表明關(guān)聯(lián)性越強(qiáng)。

由于上述理論知識(shí)，我們知道提升度可以說是關(guān)聯(lián)規(guī)則最可靠的指標(biāo)，且得到的結(jié)論也是有用的，所以在設(shè)置參數(shù)時(shí)，我們依據(jù)lift只進(jìn)行升序排序來選出最有用的幾條關(guān)聯(lián)規(guī)則。

規(guī)則一：{舌紅、生石膏、杏仁、甘草}=>{魚腥草}

規(guī)則二：{胸痛、舌紅、杏仁、甘草}=>{魚腥草}

規(guī)則三：{發(fā)熱、舌紅、杏仁、甘草}=>{魚腥草}

說明癥狀有舌紅和胸痛或發(fā)熱，服用過生石膏、杏仁、甘草的患者，之后會(huì)服用魚腥草。

癥狀與癥狀之間的關(guān)聯(lián)關(guān)系。

規(guī)則一：{胸痛、口渴、脈滑數(shù)}=>{苔黃}

規(guī)則二：{胸痛、口渴、咳黃（稠）粘痰}=>{苔黃}

規(guī)則三：{胸痛、口渴、咳黃（稠）粘痰、脈滑數(shù)}=>{苔黃}

說明有胸痛、口渴、咳黃（稠）粘痰、脈滑數(shù)的癥狀的，絕大可能性會(huì)出現(xiàn)苔黃的癥狀。

關(guān)聯(lián)規(guī)則的可視化。

1、癥狀與癥狀之間的關(guān)聯(lián)關(guān)系

按lift參數(shù)為a52和a47關(guān)聯(lián)強(qiáng)度最強(qiáng)，即苔黃和脈滑數(shù)的關(guān)聯(lián)強(qiáng)度最大，而從support參數(shù)（即按size大小來看）a4和a4關(guān)聯(lián)強(qiáng)度最大，這沒什么意思，a52和a4次之，即胸痛和脈滑數(shù)關(guān)聯(lián)強(qiáng)度最強(qiáng)。

2、癥狀與中藥之間的關(guān)聯(lián)關(guān)系

按lift參數(shù)（即按color顏色深度來看）為a52和c39關(guān)聯(lián)強(qiáng)度較強(qiáng)，即蘆根和脈滑數(shù)的關(guān)聯(lián)強(qiáng)度較大，而從support參數(shù)（即按size大小來看）a4和a11關(guān)聯(lián)強(qiáng)度最大，即胸痛和咳黃（稠）粘痰關(guān)聯(lián)強(qiáng)度最大。

劉靜頤，女，單位：云南大學(xué)（數(shù)學(xué)與統(tǒng)計(jì)學(xué)院），研究生，研究方向：科技統(tǒng)計(jì)。