共计 2279 个字符，预计需要花费 6 分钟才能阅读完成。
全文链接：http://tecdat.cn/?p=31846
最近咱们被客户要求撰写对于关联规定的钻研报告，包含一些图形和统计输入。
本文帮忙客户使用关联规定办法剖析西医医治脑出血方剂, 用 Apriori 模型开掘所选用的次要药物及其用药法则, 为临床医治脑出血提供参考
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剖析 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
查看每个药品的呈现频率
uencPlot(dat1, support = 0.3, cex.names=0.8)
能够看到每个药品呈现的频率，从而判断哪些药品的反对度较高
失去频繁规定开掘
查看求得的频繁项集
依据反对度对求得的频繁项集排序并查看
关联规定开掘
apriori(dat
设置反对度为 0.01，置信度为 0.3
summary(rules)# 查看规定
查看局部规定
inspect(rules)
查看置信度、反对度和晋升度
quality(head(rules))
绘制不同规定图形来示意反对度，置信度和晋升度
通过该图 能够看到 规定前项和规定后项别离有哪些药品 以及每个药品的反对度大小，反对度越大则圆圈越大。
点击题目查阅往期内容
R 语言用关联规定和聚类模型开掘处方数据摸索药物配伍中的法则
左右滑动查看更多
01
02
03
04
从该图能够看到反对度和置信度的关系，置信度越高晋升度也越高
从该图能够看到反对度和置信度的关系，晋升度越高置信度也越高
从上图能够看到 不同药品之间的关联关系 图中的点越大阐明该药品的反对度越高，色彩越深阐明该药品的晋升度越高。
查看最高置信度样本规定
rules <- sort(rules, by="confidence")
查看最高晋升度样本规定
失去有价值规定子集
x=suet(rules,sbst=confidence>0.3 & support>0.2 & lift>=1) #失去有价值规定子集
对有价值的 x 汇合进行数据可视化
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《R 语言 APRIORI 模型关联规定开掘剖析脑出血急性期用药法则最常配伍可视化》。
点击题目查阅往期内容
用 SPSS Modeler 的 Web 简单网络对所有腧穴进行关联规定剖析 \
PYTHON 在线批发数据关联规定开掘 APRIORI 算法数据可视化 \
R 语言关联规定模型 (Apriori 算法) 开掘杂货店的交易数据与交互可视化 \
R 语言关联开掘实例（购物篮剖析）\
python 关联规则学习：FP-Growth 算法对药品进行“菜篮子”剖析 \
基于 R 的 FP 树 fp growth 关联数据挖掘技术在煤矿隐患治理 \
python 关联规则学习：FP-Growth 算法对药品进行“菜篮子”剖析 \
通过 Python 中的 Apriori 算法进行关联规定开掘 \
Python 中的 Apriori 关联算法 - 市场购物篮剖析 \
R 语言用关联规定和聚类模型开掘处方数据摸索药物配伍中的法则 \
在 R 语言中轻松创立关联网络 \
python 主题建模可视化 LDA 和 T -SNE 交互式可视化 \
R 语言工夫序列数据指数平滑法分析交互式动静可视化 \
用 R 语言制作交互式图表和地图 \
如何用 r 语言制作交互可视化报告图表 K -means 和档次聚类分析癌细胞系微阵列数据和树状图可视化比拟 \
KMEANS 均值聚类和档次聚类：亚洲国家地区生存幸福品质异同可视化剖析和抉择最佳聚类数 \
PYTHON 实现谱聚类算法和扭转聚类簇数后果可视化比拟 \
无限混合模型聚类 FMM、狭义线性回归模型 GLM 混合利用剖析威士忌市场和钻研专利申请数据 \
R 语言多维数据档次聚类散点图矩阵、配对图、平行坐标图、树状图可视化城市宏观经济指标数据 \
r 语言无限正态混合模型 EM 算法的分层聚类、分类和密度估计及可视化 \
Python Monte Carlo K-Means 聚类实战钻研 \
R 语言 k -Shape 工夫序列聚类办法对股票价格工夫序列聚类 \
R 语言对用电负荷工夫序列数据进行 K -medoids 聚类建模和 GAM 回归 \
R 语言谱聚类、K-MEANS 聚类分析非线性环状数据比拟 \
R 语言实现 k -means 聚类优化的分层抽样 (Stratified Sampling) 剖析各市镇的人口 \
R 语言聚类有效性：确定最优聚类数剖析 IRIS 鸢尾花数据和可视化 Python、R 对小说进行文本开掘和档次聚类可视化剖析案例 \
R 语言 k -means 聚类、档次聚类、主成分（PCA）降维及可视化剖析鸢尾花 iris 数据集 \
R 语言无限混合模型 (FMM,finite mixture model)EM 算法聚类分析间歇泉喷发工夫 \
R 语言用温度对城市档次聚类、kmean 聚类、主成分剖析和 Voronoi 图可视化 \
R 语言 k -Shape 工夫序列聚类办法对股票价格工夫序列聚类 \
R 语言中的 SOM(自组织映射神经网络) 对 NBA 球员聚类分析 \
R 语言简单网络分析：聚类（社区检测）和可视化 \
R 语言中的划分聚类模型 \
基于模型的聚类和 R 语言中的高斯混合模型 \
r 语言聚类分析：k-means 和档次聚类 \
SAS 用 K -Means 聚类最优 k 值的选取和剖析 \
用 R 语言进行网站评论文本开掘聚类 \
基于 LDA 主题模型聚类的商品评论文本开掘 \
R 语言鸢尾花 iris 数据集的档次聚类分析 \
R 语言对用电负荷工夫序列数据进行 K -medoids 聚类建模和 GAM 回归 \
R 语言聚类算法的利用实例
