面向糖尿病数据集挖掘频繁项目集和关联规则＊

耿飙，梁成全

(1.苏州卫生职业技术学院基础部，江苏 苏州 215009；2.华东疗养院信息科)

0 引言

从大型数据库中提取知识是数据挖掘中的重要内容。在过去的几十年中，已经开发了一些算法[1-3]。本文对关联规则算法如基于FP-Growth[4]的算法及其变体，以及CFP-Growth[5]和ICFP-Growth[6]，对这三种算法进行比较研究。ICFP-Growth 是CPF-Growth 算法的改进版本，该算法包括三个步骤：多项目支持树(MIS-Tree)[7]的构建、紧凑型MIS 树的提取和紧凑型MIS 挖掘树。本文开发环境：操作系统Windows 10专业版；软件平台为Python 3.7.6。数据集是女性的糖尿病数据集（https://www.kaggle.com/mathchi/diabetesdata-set）。它分为两个“.csv”文件，第一个用于训练数据集，另一个用于测试数据集。这两个“.csv”文件包含8 个功能：①怀孕次数；②葡萄糖；③血压；④皮肤厚度；⑤胰岛素；⑥BMI：体重指数；⑦糖尿病谱系函数；⑧年龄。

1 数据库转换

该数据集仅包含数值。FP-Growth、CFP-Growth和ICFP-Growth接受事务数据集。糖尿病数据集（数值数据集）被转换为交易数据集。为了进行这种转换，每个特征都被可视化，以便了解它在个体数量中的变化，将每个特征重新划分组合为几个个体的域。0：表示无糖尿病，1：表示有糖尿病。

第一个特征是年龄，可视化结果如图1所示。

图1 年龄与个体数量

在范围[20,30]中所看到的，与糖尿病患者的数量相比，没有糖尿病的人数很高，而对于范围[30,80]，0和1两个类别的人数几乎相同，所以可将特征的范围分为两个域：A1：[0,30]和A2：[30,80]。

第二个特征是血压，结果如图2 所示。在[0,40]范围内，对0 类和1 类有相同的变化，在[40,90]中，0 类最高，在[90,120]范围内，也有0 类和1 类的相同变体，因此将此特征划分为三个域：B1:[0,40]；B2：[40,90]；B3：[90,120]。

图2 血压与个体数量

第三个特征是BMI，可视化结果如图3所示。可以将BMI特征的范围划分为两个域，第一个BMI1：[0,30]，其中有0类的个体数量高于1类，第二个是BMI2：[30,60]其中两个类具有几乎相同的变化。

图3 BMI与个体数量

第四个特征是糖尿病谱系函数，可视化在图4中。在这张图中，可以看到在[0,0.8]中，0 类的个体数量最多，而在[0.8,2.5]范围内，相反，类1 的个体数量最多，因此可以将特征分为两个域：D1：[0,0.8]和D2：[0.8,2.5]。

图4 糖尿病谱系功能与个体数量

第五个特征是葡萄糖，其可视化结果如图5所示。在范围[0,125]内，与类别1 的个体数量相比，类别0 的数量较多，而对于范围[125,200]，对于0 类和1 类个体数量几乎相同，可以将特征的范围划分为两个域：G1：[0,125]和G2：[125,200]。

图5 葡萄糖与个体数量

第六个特征是胰岛素，结果如图6 所示。在[0,30]范围内的胰岛素与个体数量的关系中，对于0类和1类有几乎相同的变化，在范围[30,150]内，0 类高于1 类，在范围[150,800]内，也有0 类和1 类的相同变体，因此将此特征划分为三个域：I1:[0,30]；I2：[30,150]；I3：[150,800]。

图6 胰岛素与个体数量

第七个特征是Pregnancy，可视化结果如图7所示。可以将Pregnancies 特征的范围划分为两个域，第一个P1：[0,7]，其中0 类的个体数量高于1 类个体的数量，第二个是P2：[7,17]其中两个类具有几乎相同的变化。

图7 怀孕与个体数量

最后一个特征是皮肤厚度，可视化在图8 中。在这张图中，可以看到在[0,8]中，两个类的变化几乎相同，而在[8,45]中，0 类的个体数量几乎比1 类多。此外，对于[45,60]范围，这两个类也有相同的变化，因此可以将特征分为三个域：S1：[0,8]，S2：[8,45]和S3：[45,60]。

图8 皮肤厚度与个体数量

经过以上分析，可以总结出所有转换的信息。转换结果如表1所示。

表1 转换结果

现在可以使用域将数据集转换为事务数据集。从转换中获得的结果如图9所示。

图9 转换的部分结果

2 关联规则的提取

首先，必须初始化FP-Growth 的minsupport，以及CFP-Growth和ICFP-Growth的MIS值。要为CFP增长分配MIS值，使用式⑴。

其中MIS(i)是项目“i”的MIS 值。β ∈[0,1]是一个参数，它控制项目的MIS 值，与其频率相关。f(i)是项目“i”的频率值。LS 是一个使用指定值，表示允许的最小支持。此外，对于ICFP-Growth，有：

在本实验中，我们将FP-Growth 的最小支持定义为40，对于CFP-Growth的β等于0.1，LS等于40，对于ICFP-Growth，SD值为0.1，LMS等于50，LMIS等于40。

针对CFP-Growth的MIS值生成结果如表2所示。此外，对于ICFP-Growth，MIS 值初始化的结果在表3中给出。

表2 CFP-Growth算法的MIS值

表3 ICFP-Growth算法的MIS值

在该数据集上应用这三种算法后，获得了三个包含关联规则的模型，如图10所示。

图10 已获取关联规则

我们所提模型的结构是(left)→(right,Confidence)。左为因，右为果。置信度是[0,1] 范围内的一个数字，它可以表示有多少左可以将我们引向右，有多少原因可以导致结果，使用式⑷计算置信度：

图11显示了所有特征之间的关联规则，但在所给例子中，想要做一个分类模型，因为过滤关联规则以在结果（右）中只包含代表类的项目（'0'和'1')，结果如图11所示。

图11 关联规则结果

在图中有分类模型的关联，例如有这个关联规则('A2','BMI2','G2','P2')→(('1'),0.89)。这表示如果个人的年龄在[30,80]之间，则为A2。BMI2体重指数在[30,60]范围内，G2血浆葡萄糖浓度在口服葡萄糖耐量试验中2小时在[125,200]范围内，P2怀孕次数在[7,17]之间，因此可以看到该个体患有糖尿病，置信度为0.89。

3 性能评价

FP-Growth、CFP-Growth 和ICFP-Growth 这三种算法使用与在训练数据集上应用的相同预处理进行评估，以将数值数据集转换为事务数据集。之后，从数据集中取出一个事务，并计算测试事务与模型关联规则左侧的距离。在这种情况下，使用一种方法来计算距离。例如，有T测试交易和G模型中存在的关联规则的左侧。T=['P1'，'G1'，'B2'，'S2'，'I3'，'BMI2'，'D2'，'A2']，G=['A1'，'B3'，'BMI2'，'D1'，'G2'，'I2'，'P1']。

首先，在数据集中有八个特征。将距离初始化为8，并检查T 的每个项目是否存在于G 中，并且对于每个项目存在，将距离减1。在这个例子中，有P1存在于T 和G，所以距离是7。另外，G1 不存在于G，所以仍然有距离是7，而B2、S2、I3、D2、A2 也没有。t 存在于G 中，有BMI2存在，所以将距离减1，这时有距离等于6，G 和T 之间的距离是6。另外，在计算距离之后，选择三个closet 关联规则，计算谁对“0”和“1”投了多少票，然后选择票数最高的类。在这个测试过程之后，计算每个算法的准确性。三种算法FP-Growth、CFP-Growth和ICFP-Growth的准确率分别为51.30%，57%和60.5%。

4 总结

频繁项目集挖掘是数据挖掘中的一个重要课题。本文实现了三种关联规则算法，即FP-Growth、CFPGrowth 和ICFP-Growth。这些算法使用python 编程语言提取糖尿病数据集上的频繁项目集。实验结果表明，ICFP-Growth比其他两种算法更准确。