R語言在關聯規則算法（Apriori）中的實現

劉靜頤，朱桂玲云南大學

R語言在關聯規則算法（Apriori）中的實現

劉靜頤，朱桂玲
云南大學

一、關聯分析的原理

關聯規則（Association）：揭示數據之間的相互關系，而這種關系沒有在數據中直接表示出來。

關聯關系的任務就是發現事物之間的關聯規則或稱相關程度。關聯規則的一般形式是：如果A發生，則B有百分之C的可能發生。C稱關聯規則的置信度（Confidence）

利用關聯分析能尋找數據庫中大量數據的相關聯系或相互依賴性，如分析客戶在超市買牙刷的同時又買牙膏的可能性。

二、關聯規則算法

常用關聯規則算法見下表：

算法名稱Apriori FP-Tree灰色關聯度HotSpot算法描述一種最有影響的挖掘布爾關聯規則頻繁項集的算法，其核心是基于兩階段頻集思想的遞推算法針對Apriori算法的固有缺陷，J.Han等提出了不產生碗蕨頻繁項集的方法，FP-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）對主因素（母序列）的貢獻程度二進行的一種分析方法挖掘得到樹形結構顯示的感興趣的目標最大化/最小化的一套規則，最大化/最小化的利益目標變量/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集，即頻繁項集；（2）從頻繁項集中找出滿足最小置信度的所有規則。

三、R中Apriori的實現

在此數據分析中我們用兩個專用于關聯分析的軟件包——arules和arulesViz.

前一個用于關聯規則的數字化生成，而另一個arulesViz軟件包作為arules的擴展包，提供了關聯規則的可視化技術，使得關聯分析從算法運行到結果呈現一體化。

（一）相關函數

在R中實現Apriori算法，其核心函數為apriori（），來源于arules軟件包，函數基本格式為：

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

其中parameter參數可以對支持度（support）、置信度（Confi?dence0、沒個項集所含項數的最大最小值（maxlen/minlen），以及輸出結果（target）等重要參數進行設置。

參數appearance可以對先決條件X和關聯結果Y中具體包含哪些項進行限制。

Control參數則用來控制函數性能，如可以設定對項集進行升序（sort=1）還是降序（sort=-1）排序，是否向使用者報告進程（ver?bose=FALSE/TRUE）等

（二）數據提取和處理

R中提取數據如下：

1.數據整合

將數據轉化為疏散矩陣形式，有取1，無取0（疏散矩陣），之后將疏散矩陣轉化為apriori函數可用的數據結構。如下所示：

癥狀與中藥的關聯關系。

運用關聯算法時，我們先嘗試對apriori函數以最少的限制，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）設置為0.5，，置信度最小閾值（mincon）設為0.6，其他參數不進行設定取默認值，并將所得關聯規則名記為rules0，并使用inspect函數展示詳細的關聯規則，代碼如下所示：

在上述結果中，lhs列是關聯規則的左側，rhs列是關聯規則的右側，support、confidence、lift分別是支持度、信任度和提升度。

在兩參數共同調整過程中，如果更注重關聯項集在總體中所占的比例，則可以適當的多提高支持度，若是更注重規則本身的可靠性，則可多提高一些置信度值。

提升度表示在含有X的條件下同時含有Y的可能性與沒有這個條件下項集中含有Y的可能性之比，即在Y自身出現可能性P （Y）的基礎上，X的出現對于Y的“出鏡率”P(Y|X)的提升程度：

該指標與置信度同樣用于衡量規則的可靠性，可以看做置信度的一種互補指標。

當lift值為1時表示X與Y相互獨立，X對Y出現的可能性沒有提升作用，而其值越大（>1）則表明X對Y的提升程度越大，即表明關聯性越強。

由于上述理論知識，我們知道提升度可以說是關聯規則最可靠的指標，且得到的結論也是有用的，所以在設置參數時，我們依據lift只進行升序排序來選出最有用的幾條關聯規則。

規則一：{舌紅、生石膏、杏仁、甘草}=>{魚腥草}

規則二：{胸痛、舌紅、杏仁、甘草}=>{魚腥草}

規則三：{發熱、舌紅、杏仁、甘草}=>{魚腥草}

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

癥狀與癥狀之間的關聯關系。

規則一：{胸痛、口渴、脈滑數}=>{苔黃}

規則二：{胸痛、口渴、咳黃（稠）粘痰}=>{苔黃}

規則三：{胸痛、口渴、咳黃（稠）粘痰、脈滑數}=>{苔黃}

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

關聯規則的可視化。

1、癥狀與癥狀之間的關聯關系

按lift參數為a52和a47關聯強度最強，即苔黃和脈滑數的關聯強度最大，而從support參數（即按size大小來看）a4和a4關聯強度最大，這沒什么意思，a52和a4次之，即胸痛和脈滑數關聯強度最強。

2、癥狀與中藥之間的關聯關系

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

劉靜頤，女，單位：云南大學（數學與統計學院），研究生，研究方向：科技統計。