最近我们被客户要求撰写关于关联规则的研究报告，包括一些图形和统计输出。
本文帮助客户运用关联规则方法分析中医治疗脑出血方剂,用Apriori模型挖掘所选用的主要药物及其用药规律,为临床治疗脑出血提供参考
脑出血急性期用药数据
读取数据
a_df3=read.xlsx("脑出血急性期用药最常配伍关联分析2.xlsx")
将数据转化成关联数据
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
查看每个药品的出现频率
uencPlot(dat1, support = 0.3, cex.names=0.8)
可以看到每个药品出现的频率，从而判断哪些药品的支持度较高
得到频繁规则挖掘
查看求得的频繁项集
根据支持度对求得的频繁项集排序并查看
关联规则挖掘
apriori(dat
设置支持度为0.01，置信度为0.3
summary(rules)#查看规则
查看部分规则
inspect(rules)
查看置信度、支持度和提升度
quality(head(rules))
绘制不同规则图形来表示支持度，置信度和提升度
通过该图 可以看到 规则前项和规则后项分别有哪些药品 以及每个药品的支持度大小，支持度越大则圆圈越大。
点击标题查阅往期内容
R语言用关联规则和聚类模型挖掘处方数据探索药物配伍中的规律
左右滑动查看更多
01
02
03
04
从该图可以看到支持度和置信度的关系，置信度越高提升度也越高
从该图可以看到支持度和置信度的关系，提升度越高置信度也越高
从上图可以看到 不同药品之间的关联关系 图中的点越大说明该药品的支持度越高，颜色越深说明该药品的提升度越高。
查看最高置信度样本规则
rules <- sort(rules, by="confidence")
查看最高提升度样本规则
得到有价值规则子集
x=suet(rules,sbst=confidence>0.3 & support>0.2 & lift>=1) #得到有价值规则子集
对有价值的x集合进行数据可视化
