面向糖尿病數據集挖掘頻繁項目集和關聯規則＊

耿飆，梁成全

(1.蘇州衛生職業技術學院基礎部，江蘇 蘇州 215009；2.華東療養院信息科)

0 引言

從大型數據庫中提取知識是數據挖掘中的重要內容。在過去的幾十年中，已經開發了一些算法[1-3]。本文對關聯規則算法如基于FP-Growth[4]的算法及其變體，以及CFP-Growth[5]和ICFP-Growth[6]，對這三種算法進行比較研究。ICFP-Growth 是CPF-Growth 算法的改進版本，該算法包括三個步驟：多項目支持樹(MIS-Tree)[7]的構建、緊湊型MIS 樹的提取和緊湊型MIS 挖掘樹。本文開發環境：操作系統Windows 10專業版；軟件平臺為Python 3.7.6。數據集是女性的糖尿病數據集（https://www.kaggle.com/mathchi/diabetesdata-set）。它分為兩個“.csv”文件，第一個用于訓練數據集，另一個用于測試數據集。這兩個“.csv”文件包含8 個功能：①懷孕次數；②葡萄糖；③血壓；④皮膚厚度；⑤胰島素；⑥BMI：體重指數；⑦糖尿病譜系函數；⑧年齡。

1 數據庫轉換

該數據集僅包含數值。FP-Growth、CFP-Growth和ICFP-Growth接受事務數據集。糖尿病數據集（數值數據集）被轉換為交易數據集。為了進行這種轉換，每個特征都被可視化，以便了解它在個體數量中的變化，將每個特征重新劃分組合為幾個個體的域。0：表示無糖尿病，1：表示有糖尿病。

第一個特征是年齡，可視化結果如圖1所示。

圖1 年齡與個體數量

在范圍[20,30]中所看到的，與糖尿病患者的數量相比，沒有糖尿病的人數很高，而對于范圍[30,80]，0和1兩個類別的人數幾乎相同，所以可將特征的范圍分為兩個域：A1：[0,30]和A2：[30,80]。

第二個特征是血壓，結果如圖2 所示。在[0,40]范圍內，對0 類和1 類有相同的變化，在[40,90]中，0 類最高，在[90,120]范圍內，也有0 類和1 類的相同變體，因此將此特征劃分為三個域：B1:[0,40]；B2：[40,90]；B3：[90,120]。

圖2 血壓與個體數量

第三個特征是BMI，可視化結果如圖3所示。可以將BMI特征的范圍劃分為兩個域，第一個BMI1：[0,30]，其中有0類的個體數量高于1類，第二個是BMI2：[30,60]其中兩個類具有幾乎相同的變化。

圖3 BMI與個體數量

第四個特征是糖尿病譜系函數，可視化在圖4中。在這張圖中，可以看到在[0,0.8]中，0 類的個體數量最多，而在[0.8,2.5]范圍內，相反，類1 的個體數量最多，因此可以將特征分為兩個域：D1：[0,0.8]和D2：[0.8,2.5]。

圖4 糖尿病譜系功能與個體數量

第五個特征是葡萄糖，其可視化結果如圖5所示。在范圍[0,125]內，與類別1 的個體數量相比，類別0 的數量較多，而對于范圍[125,200]，對于0 類和1 類個體數量幾乎相同，可以將特征的范圍劃分為兩個域：G1：[0,125]和G2：[125,200]。

圖5 葡萄糖與個體數量

第六個特征是胰島素，結果如圖6 所示。在[0,30]范圍內的胰島素與個體數量的關系中，對于0類和1類有幾乎相同的變化，在范圍[30,150]內，0 類高于1 類，在范圍[150,800]內，也有0 類和1 類的相同變體，因此將此特征劃分為三個域：I1:[0,30]；I2：[30,150]；I3：[150,800]。

圖6 胰島素與個體數量

第七個特征是Pregnancy，可視化結果如圖7所示。可以將Pregnancies 特征的范圍劃分為兩個域，第一個P1：[0,7]，其中0 類的個體數量高于1 類個體的數量，第二個是P2：[7,17]其中兩個類具有幾乎相同的變化。

圖7 懷孕與個體數量

最后一個特征是皮膚厚度，可視化在圖8 中。在這張圖中，可以看到在[0,8]中，兩個類的變化幾乎相同，而在[8,45]中，0 類的個體數量幾乎比1 類多。此外，對于[45,60]范圍，這兩個類也有相同的變化，因此可以將特征分為三個域：S1：[0,8]，S2：[8,45]和S3：[45,60]。

圖8 皮膚厚度與個體數量

經過以上分析，可以總結出所有轉換的信息。轉換結果如表1所示。

表1 轉換結果

現在可以使用域將數據集轉換為事務數據集。從轉換中獲得的結果如圖9所示。

圖9 轉換的部分結果

2 關聯規則的提取

首先，必須初始化FP-Growth 的minsupport，以及CFP-Growth和ICFP-Growth的MIS值。要為CFP增長分配MIS值，使用式⑴。

其中MIS(i)是項目“i”的MIS 值。β ∈[0,1]是一個參數，它控制項目的MIS 值，與其頻率相關。f(i)是項目“i”的頻率值。LS 是一個使用指定值，表示允許的最小支持。此外，對于ICFP-Growth，有：

在本實驗中，我們將FP-Growth 的最小支持定義為40，對于CFP-Growth的β等于0.1，LS等于40，對于ICFP-Growth，SD值為0.1，LMS等于50，LMIS等于40。

針對CFP-Growth的MIS值生成結果如表2所示。此外，對于ICFP-Growth，MIS 值初始化的結果在表3中給出。

表2 CFP-Growth算法的MIS值

表3 ICFP-Growth算法的MIS值

在該數據集上應用這三種算法后，獲得了三個包含關聯規則的模型，如圖10所示。

圖10 已獲取關聯規則

我們所提模型的結構是(left)→(right,Confidence)。左為因，右為果。置信度是[0,1] 范圍內的一個數字，它可以表示有多少左可以將我們引向右，有多少原因可以導致結果，使用式⑷計算置信度：

圖11顯示了所有特征之間的關聯規則，但在所給例子中，想要做一個分類模型，因為過濾關聯規則以在結果（右）中只包含代表類的項目（'0'和'1')，結果如圖11所示。

圖11 關聯規則結果

在圖中有分類模型的關聯，例如有這個關聯規則('A2','BMI2','G2','P2')→(('1'),0.89)。這表示如果個人的年齡在[30,80]之間，則為A2。BMI2體重指數在[30,60]范圍內，G2血漿葡萄糖濃度在口服葡萄糖耐量試驗中2小時在[125,200]范圍內，P2懷孕次數在[7,17]之間，因此可以看到該個體患有糖尿病，置信度為0.89。

3 性能評價

FP-Growth、CFP-Growth 和ICFP-Growth 這三種算法使用與在訓練數據集上應用的相同預處理進行評估，以將數值數據集轉換為事務數據集。之后，從數據集中取出一個事務，并計算測試事務與模型關聯規則左側的距離。在這種情況下，使用一種方法來計算距離。例如，有T測試交易和G模型中存在的關聯規則的左側。T=['P1'，'G1'，'B2'，'S2'，'I3'，'BMI2'，'D2'，'A2']，G=['A1'，'B3'，'BMI2'，'D1'，'G2'，'I2'，'P1']。

首先，在數據集中有八個特征。將距離初始化為8，并檢查T 的每個項目是否存在于G 中，并且對于每個項目存在，將距離減1。在這個例子中，有P1存在于T 和G，所以距離是7。另外，G1 不存在于G，所以仍然有距離是7，而B2、S2、I3、D2、A2 也沒有。t 存在于G 中，有BMI2存在，所以將距離減1，這時有距離等于6，G 和T 之間的距離是6。另外，在計算距離之后，選擇三個closet 關聯規則，計算誰對“0”和“1”投了多少票，然后選擇票數最高的類。在這個測試過程之后，計算每個算法的準確性。三種算法FP-Growth、CFP-Growth和ICFP-Growth的準確率分別為51.30%，57%和60.5%。

4 總結

頻繁項目集挖掘是數據挖掘中的一個重要課題。本文實現了三種關聯規則算法，即FP-Growth、CFPGrowth 和ICFP-Growth。這些算法使用python 編程語言提取糖尿病數據集上的頻繁項目集。實驗結果表明，ICFP-Growth比其他兩種算法更準確。