面向糖尿病數(shù)據(jù)集挖掘頻繁項(xiàng)目集和關(guān)聯(lián)規(guī)則＊

耿飆，梁成全

(1.蘇州衛(wèi)生職業(yè)技術(shù)學(xué)院基礎(chǔ)部，江蘇 蘇州 215009；2.華東療養(yǎng)院信息科)

0 引言

從大型數(shù)據(jù)庫(kù)中提取知識(shí)是數(shù)據(jù)挖掘中的重要內(nèi)容。在過(guò)去的幾十年中，已經(jīng)開(kāi)發(fā)了一些算法[1-3]。本文對(duì)關(guān)聯(lián)規(guī)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(duì)這三種算法進(jìn)行比較研究。ICFP-Growth 是CPF-Growth 算法的改進(jìn)版本，該算法包括三個(gè)步驟：多項(xiàng)目支持樹(shù)(MIS-Tree)[7]的構(gòu)建、緊湊型MIS 樹(shù)的提取和緊湊型MIS 挖掘樹(shù)。本文開(kāi)發(fā)環(huán)境：操作系統(tǒng)Windows 10專業(yè)版；軟件平臺(tái)為Python 3.7.6。數(shù)據(jù)集是女性的糖尿病數(shù)據(jù)集（https://www.kaggle.com/mathchi/diabetesdata-set）。它分為兩個(gè)“.csv”文件，第一個(gè)用于訓(xùn)練數(shù)據(jù)集，另一個(gè)用于測(cè)試數(shù)據(jù)集。這兩個(gè)“.csv”文件包含8 個(gè)功能：①懷孕次數(shù)；②葡萄糖；③血壓；④皮膚厚度；⑤胰島素；⑥BMI：體重指數(shù)；⑦糖尿病譜系函數(shù)；⑧年齡。

1 數(shù)據(jù)庫(kù)轉(zhuǎn)換

該數(shù)據(jù)集僅包含數(shù)值。FP-Growth、CFP-Growth和ICFP-Growth接受事務(wù)數(shù)據(jù)集。糖尿病數(shù)據(jù)集（數(shù)值數(shù)據(jù)集）被轉(zhuǎn)換為交易數(shù)據(jù)集。為了進(jìn)行這種轉(zhuǎn)換，每個(gè)特征都被可視化，以便了解它在個(gè)體數(shù)量中的變化，將每個(gè)特征重新劃分組合為幾個(gè)個(gè)體的域。0：表示無(wú)糖尿病，1：表示有糖尿病。

第一個(gè)特征是年齡，可視化結(jié)果如圖1所示。

圖1 年齡與個(gè)體數(shù)量

在范圍[20,30]中所看到的，與糖尿病患者的數(shù)量相比，沒(méi)有糖尿病的人數(shù)很高，而對(duì)于范圍[30,80]，0和1兩個(gè)類別的人數(shù)幾乎相同，所以可將特征的范圍分為兩個(gè)域：A1：[0,30]和A2：[30,80]。

第二個(gè)特征是血壓，結(jié)果如圖2 所示。在[0,40]范圍內(nèi)，對(duì)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(nèi)，也有0 類和1 類的相同變體，因此將此特征劃分為三個(gè)域：B1:[0,40]；B2：[40,90]；B3：[90,120]。

圖2 血壓與個(gè)體數(shù)量

第三個(gè)特征是BMI，可視化結(jié)果如圖3所示?？梢詫MI特征的范圍劃分為兩個(gè)域，第一個(gè)BMI1：[0,30]，其中有0類的個(gè)體數(shù)量高于1類，第二個(gè)是BMI2：[30,60]其中兩個(gè)類具有幾乎相同的變化。

圖3 BMI與個(gè)體數(shù)量

第四個(gè)特征是糖尿病譜系函數(shù)，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(gè)體數(shù)量最多，而在[0.8,2.5]范圍內(nèi)，相反，類1 的個(gè)體數(shù)量最多，因此可以將特征分為兩個(gè)域：D1：[0,0.8]和D2：[0.8,2.5]。

圖4 糖尿病譜系功能與個(gè)體數(shù)量

第五個(gè)特征是葡萄糖，其可視化結(jié)果如圖5所示。在范圍[0,125]內(nèi)，與類別1 的個(gè)體數(shù)量相比，類別0 的數(shù)量較多，而對(duì)于范圍[125,200]，對(duì)于0 類和1 類個(gè)體數(shù)量幾乎相同，可以將特征的范圍劃分為兩個(gè)域：G1：[0,125]和G2：[125,200]。

圖5 葡萄糖與個(gè)體數(shù)量

第六個(gè)特征是胰島素，結(jié)果如圖6 所示。在[0,30]范圍內(nèi)的胰島素與個(gè)體數(shù)量的關(guān)系中，對(duì)于0類和1類有幾乎相同的變化，在范圍[30,150]內(nèi)，0 類高于1 類，在范圍[150,800]內(nèi)，也有0 類和1 類的相同變體，因此將此特征劃分為三個(gè)域：I1:[0,30]；I2：[30,150]；I3：[150,800]。

圖6 胰島素與個(gè)體數(shù)量

第七個(gè)特征是Pregnancy，可視化結(jié)果如圖7所示?？梢詫regnancies 特征的范圍劃分為兩個(gè)域，第一個(gè)P1：[0,7]，其中0 類的個(gè)體數(shù)量高于1 類個(gè)體的數(shù)量，第二個(gè)是P2：[7,17]其中兩個(gè)類具有幾乎相同的變化。

圖7 懷孕與個(gè)體數(shù)量

最后一個(gè)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(gè)類的變化幾乎相同，而在[8,45]中，0 類的個(gè)體數(shù)量幾乎比1 類多。此外，對(duì)于[45,60]范圍，這兩個(gè)類也有相同的變化，因此可以將特征分為三個(gè)域：S1：[0,8]，S2：[8,45]和S3：[45,60]。

圖8 皮膚厚度與個(gè)體數(shù)量

經(jīng)過(guò)以上分析，可以總結(jié)出所有轉(zhuǎn)換的信息。轉(zhuǎn)換結(jié)果如表1所示。

表1 轉(zhuǎn)換結(jié)果

現(xiàn)在可以使用域?qū)?shù)據(jù)集轉(zhuǎn)換為事務(wù)數(shù)據(jù)集。從轉(zhuǎn)換中獲得的結(jié)果如圖9所示。

圖9 轉(zhuǎn)換的部分結(jié)果

2 關(guān)聯(lián)規(guī)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(zhǎng)分配MIS值，使用式⑴。

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

在本實(shí)驗(yàn)中，我們將FP-Growth 的最小支持定義為40，對(duì)于CFP-Growth的β等于0.1，LS等于40，對(duì)于ICFP-Growth，SD值為0.1，LMS等于50，LMIS等于40。

針對(duì)CFP-Growth的MIS值生成結(jié)果如表2所示。此外，對(duì)于ICFP-Growth，MIS 值初始化的結(jié)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(shù)據(jù)集上應(yīng)用這三種算法后，獲得了三個(gè)包含關(guān)聯(lián)規(guī)則的模型，如圖10所示。

圖10 已獲取關(guān)聯(lián)規(guī)則

我們所提模型的結(jié)構(gòu)是(left)→(right,Confidence)。左為因，右為果。置信度是[0,1] 范圍內(nèi)的一個(gè)數(shù)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(dǎo)致結(jié)果，使用式⑷計(jì)算置信度：

圖11顯示了所有特征之間的關(guān)聯(lián)規(guī)則，但在所給例子中，想要做一個(gè)分類模型，因?yàn)檫^(guò)濾關(guān)聯(lián)規(guī)則以在結(jié)果（右）中只包含代表類的項(xiàng)目（'0'和'1')，結(jié)果如圖11所示。

圖11 關(guān)聯(lián)規(guī)則結(jié)果

在圖中有分類模型的關(guān)聯(lián)，例如有這個(gè)關(guān)聯(lián)規(guī)則('A2','BMI2','G2','P2')→(('1'),0.89)。這表示如果個(gè)人的年齡在[30,80]之間，則為A2。BMI2體重指數(shù)在[30,60]范圍內(nèi)，G2血漿葡萄糖濃度在口服葡萄糖耐量試驗(yàn)中2小時(shí)在[125,200]范圍內(nèi)，P2懷孕次數(shù)在[7,17]之間，因此可以看到該個(gè)體患有糖尿病，置信度為0.89。

3 性能評(píng)價(jià)

FP-Growth、CFP-Growth 和ICFP-Growth 這三種算法使用與在訓(xùn)練數(shù)據(jù)集上應(yīng)用的相同預(yù)處理進(jìn)行評(píng)估，以將數(shù)值數(shù)據(jù)集轉(zhuǎn)換為事務(wù)數(shù)據(jù)集。之后，從數(shù)據(jù)集中取出一個(gè)事務(wù)，并計(jì)算測(cè)試事務(wù)與模型關(guān)聯(lián)規(guī)則左側(cè)的距離。在這種情況下，使用一種方法來(lái)計(jì)算距離。例如，有T測(cè)試交易和G模型中存在的關(guān)聯(lián)規(guī)則的左側(cè)。T=['P1'，'G1'，'B2'，'S2'，'I3'，'BMI2'，'D2'，'A2']，G=['A1'，'B3'，'BMI2'，'D1'，'G2'，'I2'，'P1']。

首先，在數(shù)據(jù)集中有八個(gè)特征。將距離初始化為8，并檢查T 的每個(gè)項(xiàng)目是否存在于G 中，并且對(duì)于每個(gè)項(xiàng)目存在，將距離減1。在這個(gè)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B(niǎo)2、S2、I3、D2、A2 也沒(méi)有。t 存在于G 中，有BMI2存在，所以將距離減1，這時(shí)有距離等于6，G 和T 之間的距離是6。另外，在計(jì)算距離之后，選擇三個(gè)closet 關(guān)聯(lián)規(guī)則，計(jì)算誰(shuí)對(duì)“0”和“1”投了多少票，然后選擇票數(shù)最高的類。在這個(gè)測(cè)試過(guò)程之后，計(jì)算每個(gè)算法的準(zhǔn)確性。三種算法FP-Growth、CFP-Growth和ICFP-Growth的準(zhǔn)確率分別為51.30%，57%和60.5%。

4 總結(jié)

頻繁項(xiàng)目集挖掘是數(shù)據(jù)挖掘中的一個(gè)重要課題。本文實(shí)現(xiàn)了三種關(guān)聯(lián)規(guī)則算法，即FP-Growth、CFPGrowth 和ICFP-Growth。這些算法使用python 編程語(yǔ)言提取糖尿病數(shù)據(jù)集上的頻繁項(xiàng)目集。實(shí)驗(yàn)結(jié)果表明，ICFP-Growth比其他兩種算法更準(zhǔn)確。