全文鏈接：http://tecdat.cn/?p=31846

最近我們被客戶要求撰寫關(guān)于關(guān)聯(lián)規(guī)則的研究報告，包括一些圖形和統(tǒng)計輸出。

本文幫助客戶運(yùn)用關(guān)聯(lián)規(guī)則方法分析中醫(yī)治療腦出血方劑,用Apriori模型挖掘所選用的主要藥物及其用藥規(guī)律,為臨床治療腦出血提供參考

腦出血急性期用藥數(shù)據(jù)

讀取數(shù)據(jù)

a_df3=read.xlsx("腦出血急性期用藥最常配伍關(guān)聯(lián)分析2.xlsx")

將數(shù)據(jù)轉(zhuǎn)化成關(guān)聯(lián)數(shù)據(jù)

a_df3=a_df3[,-1] ? ? ? ? ? ? ## set dim names ? # a_df3=t(a_d3) ? dimnams(a_df3) <- list(row.ames(a_d ? ??????????????????????? paste("Tr",c(1:ncol(adf3)), sep

查看每個藥品的出現(xiàn)頻率

uencPlot(dat1, support = 0.3, cex.names=0.8)

可以看到每個藥品出現(xiàn)的頻率，從而判斷哪些藥品的支持度較高

得到頻繁規(guī)則挖掘

查看求得的頻繁項集

根據(jù)支持度對求得的頻繁項集排序并查看

關(guān)聯(lián)規(guī)則挖掘

apriori(dat

設(shè)置支持度為0.01，置信度為0.3

summary(rules)#查看規(guī)則

查看部分規(guī)則

inspect(rules)

查看置信度、支持度和提升度

quality(head(rules))

繪制不同規(guī)則圖形來表示支持度，置信度和提升度

通過該圖 可以看到 規(guī)則前項和規(guī)則后項分別有哪些藥品 以及每個藥品的支持度大小，支持度越大則圓圈越大。

點擊標(biāo)題查閱往期內(nèi)容

R語言用關(guān)聯(lián)規(guī)則和聚類模型挖掘處方數(shù)據(jù)探索藥物配伍中的規(guī)律

左右滑動查看更多

01

02

03

04

從該圖可以看到支持度和置信度的關(guān)系，置信度越高提升度也越高

從該圖可以看到支持度和置信度的關(guān)系，提升度越高置信度也越高

從上圖可以看到 不同藥品之間的關(guān)聯(lián)關(guān)系 圖中的點越大說明該藥品的支持度越高，顏色越深說明該藥品的提升度越高。

查看最高置信度樣本規(guī)則

rules <- sort(rules, by="confidence")

查看最高提升度樣本規(guī)則

得到有價值規(guī)則子集

x=suet(rules,sbst=confidence>0.3 & support>0.2 & lift>=1)??? #得到有價值規(guī)則子集

對有價值的x集合進(jìn)行數(shù)據(jù)可視化

點擊文末?“閱讀原文”

獲取全文完整代碼數(shù)據(jù)資料。

本文選自《R語言APRIORI模型關(guān)聯(lián)規(guī)則挖掘分析腦出血急性期用藥規(guī)律最常配伍可視化》。

點擊標(biāo)題查閱往期內(nèi)容

用SPSS Modeler的Web復(fù)雜網(wǎng)絡(luò)對所有腧穴進(jìn)行關(guān)聯(lián)規(guī)則分析
PYTHON在線零售數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘APRIORI算法數(shù)據(jù)可視化
R語言關(guān)聯(lián)規(guī)則模型(Apriori算法)挖掘雜貨店的交易數(shù)據(jù)與交互可視化
R語言關(guān)聯(lián)挖掘?qū)嵗ㄙ徫锘@分析）
python關(guān)聯(lián)規(guī)則學(xué)習(xí)：FP-Growth算法對藥品進(jìn)行“菜籃子”分析
基于R的FP樹fp growth 關(guān)聯(lián)數(shù)據(jù)挖掘技術(shù)在煤礦隱患管理
python關(guān)聯(lián)規(guī)則學(xué)習(xí)：FP-Growth算法對藥品進(jìn)行“菜籃子”分析
通過Python中的Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則挖掘
Python中的Apriori關(guān)聯(lián)算法-市場購物籃分析
R語言用關(guān)聯(lián)規(guī)則和聚類模型挖掘處方數(shù)據(jù)探索藥物配伍中的規(guī)律
在R語言中輕松創(chuàng)建關(guān)聯(lián)網(wǎng)絡(luò)
python主題建?？梢暬疞DA和T-SNE交互式可視化
R語言時間序列數(shù)據(jù)指數(shù)平滑法分析交互式動態(tài)可視化
用R語言制作交互式圖表和地圖
如何用r語言制作交互可視化報告圖表K-means和層次聚類分析癌細(xì)胞系微陣列數(shù)據(jù)和樹狀圖可視化比較
KMEANS均值聚類和層次聚類：亞洲國家地區(qū)生活幸福質(zhì)量異同可視化分析和選擇最佳聚類數(shù)
PYTHON實現(xiàn)譜聚類算法和改變聚類簇數(shù)結(jié)果可視化比較
有限混合模型聚類FMM、廣義線性回歸模型GLM混合應(yīng)用分析威士忌市場和研究專利申請數(shù)據(jù)
R語言多維數(shù)據(jù)層次聚類散點圖矩陣、配對圖、平行坐標(biāo)圖、樹狀圖可視化城市宏觀經(jīng)濟(jì)指標(biāo)數(shù)據(jù)
r語言有限正態(tài)混合模型EM算法的分層聚類、分類和密度估計及可視化
Python Monte Carlo K-Means聚類實戰(zhàn)研究
R語言k-Shape時間序列聚類方法對股票價格時間序列聚類
R語言對用電負(fù)荷時間序列數(shù)據(jù)進(jìn)行K-medoids聚類建模和GAM回歸
R語言譜聚類、K-MEANS聚類分析非線性環(huán)狀數(shù)據(jù)比較
R語言實現(xiàn)k-means聚類優(yōu)化的分層抽樣(Stratified Sampling)分析各市鎮(zhèn)的人口
R語言聚類有效性：確定最優(yōu)聚類數(shù)分析IRIS鳶尾花數(shù)據(jù)和可視化Python、R對小說進(jìn)行文本挖掘和層次聚類可視化分析案例
R語言k-means聚類、層次聚類、主成分（PCA）降維及可視化分析鳶尾花iris數(shù)據(jù)集
R語言有限混合模型(FMM,finite mixture model)EM算法聚類分析間歇泉噴發(fā)時間
R語言用溫度對城市層次聚類、kmean聚類、主成分分析和Voronoi圖可視化
R語言k-Shape時間序列聚類方法對股票價格時間序列聚類
R語言中的SOM(自組織映射神經(jīng)網(wǎng)絡(luò))對NBA球員聚類分析
R語言復(fù)雜網(wǎng)絡(luò)分析：聚類（社區(qū)檢測）和可視化
R語言中的劃分聚類模型
基于模型的聚類和R語言中的高斯混合模型
r語言聚類分析：k-means和層次聚類
SAS用K-Means 聚類最優(yōu)k值的選取和分析
用R語言進(jìn)行網(wǎng)站評論文本挖掘聚類
基于LDA主題模型聚類的商品評論文本挖掘
R語言鳶尾花iris數(shù)據(jù)集的層次聚類分析
R語言對用電負(fù)荷時間序列數(shù)據(jù)進(jìn)行K-medoids聚類建模和GAM回歸
R語言聚類算法的應(yīng)用實例