Apriori关联分析结果解读一、方法概述Apriori关联分析是一种经典的数据挖掘技术用于发现数据集中项之间的有趣关系和频繁模式。该算法通过迭代方式利用Apriori性质频繁项集的所有子集也是频繁的来发现频繁项集进而基于频繁项集生成满足最小支持度和最小置信度要求的关联规则。本研究利用SPSSAU软件对症状数据进行Apriori关联分析旨在发现不同症状之间的关联关系为临床诊断和症状管理提供参考依据。在SPSSAU【机器学习】模块选择【Apriori关联分析】将变量拖拽至右侧对应分析框操作如下图二、频繁项集分析在支持度阈值设置为0.100的条件下通过Apriori算法挖掘得到5个频繁项集结果如下表所示由表1可知在支持度阈值为0.100的条件下共挖掘出5个频繁项集。其中消化不良神经衰弱的支持度最高为0.164表明16.4%的观测对象同时存在消化不良和神经衰弱两种症状。消化不良便秘的支持度为0.160位居第二。脱发眼干的支持度为0.143腰疼眼干的支持度为0.136。值得注意的是消化不良心悸神经衰弱是唯一的三项频繁项集支持度为0.100恰好达到阈值标准表明同时出现这三种症状的比例为10.0%。从症状组合特征来看消化不良出现在4个频繁项集中其中3个为二项集、1个为三项集是关联最为广泛的症状。神经衰弱出现在3个频繁项集中眼干出现在2个频繁项集中。这些高频症状组合提示消化不良与消化系统症状便秘、神经系统症状神经衰弱、心悸之间存在较强的共现关系而眼干则与脱发、腰疼等躯体症状存在关联。三、关联规则分析基于上述频繁项集共生成12条关联规则各规则的详细指标如下表所示由表2可知12条关联规则的提升度均大于1表明各规则中的前项与后项之间存在正向关联关系。以下按提升度从高到低进行解读第一脱发→眼干和眼干→脱发规则的提升度最高均为3.045。其中脱发→眼干规则的置信度高达0.947即存在脱发症状的个体中有94.7%同时存在眼干症状该规则的预测可靠性极高。反向规则眼干→脱发的置信度为0.460表明眼干个体中有46.0%伴有脱发。两条规则的提升度相同3.045说明脱发与眼干之间存在强关联。第二神经衰弱→消化不良心悸和消化不良心悸→神经衰弱规则的提升度为2.955。消化不良心悸→神经衰弱的置信度为0.556神经衰弱→消化不良心悸的置信度为0.532两者置信度较为接近表明神经衰弱与消化不良、心悸的组合症状之间存在较强的双向关联。第三腰疼→眼干和眼干→腰疼规则的提升度为2.733。腰疼→眼干的置信度为0.850表明腰疼个体中有85.0%同时存在眼干症状预测可靠性较高。第四神经衰弱心悸→消化不良规则的提升度为2.692置信度高达0.926即同时存在神经衰弱和心悸的个体中有92.6%伴有消化不良该规则的预测能力极强。第五神经衰弱→消化不良和消化不良→神经衰弱规则的提升度为2.536。神经衰弱→消化不良的置信度为0.872消化不良→神经衰弱的置信度为0.477。第六便秘→消化不良和消化不良→便秘规则的提升度为2.528。便秘→消化不良的置信度为0.870表明便秘个体中有87.0%伴有消化不良。四、关键发现综合频繁项集和关联规则的分析结果可以得出以下关键发现1眼干是一个核心关联症状。眼干分别与脱发支持度0.143提升度3.045和腰疼支持度0.136提升度2.733形成强关联且脱发→眼干规则的置信度高达0.947是所有规则中置信度最高的。2消化不良是关联最广泛的症状。消化不良分别与神经衰弱支持度0.164、便秘支持度0.160形成频繁项集并参与构成三项频繁项集消化不良心悸神经衰弱支持度0.100。消化不良与便秘之间的关联尤为密切便秘→消化不良置信度0.870。3神经衰弱、心悸与消化不良之间存在复杂的多维关联。三者构成的三项频繁项集支持度为0.100关联规则提升度达2.955提示消化系统症状与神经系统症状之间存在显著的共现关系。五、结论本研究基于SPSSAU平台利用Apriori关联分析算法对症状数据进行挖掘分析在支持度阈值为0.100的条件下发现5个频繁项集和12条关联规则。结果显示脱发与眼干之间的关联最强提升度3.045脱发→眼干置信度0.947消化不良与便秘、神经衰弱之间的关联也较为密切提升度分别为2.528和2.536。眼干和消化不良是关联网络中的核心症状节点分别与多个症状形成强关联。这些发现可为临床症状筛查和综合诊断提供参考提示临床中遇到某一症状时应关注其关联症状的存在情况。