从病人数据中找出感冒的关键症状组合

你就当自己是医生，想从病人数据里找出 “哪些症状一起出现时，大概率是感冒”—— 这就是关联规则挖掘要干的事。

先看一个简单的 “病人数据集”

假设我们收集了 5 个病人的病例（每条就是一个 “事务”，症状就是 “项目”）：

我们的目标：从这些数据里找出 “哪些症状组合” 和 “感冒” 强相关，比如 “如果发烧 + 咳嗽，那么大概率是感冒”。

第一步：找 “频繁项集”—— 哪些症状经常一起出现？

“频繁项集” 就是 “经常同时出现的症状组合”。这里需要先定一个 “最小支持度”（可以理解为 “至少出现几次才算频繁”）。假设我们定最小支持度 = 2 次（至少在 2 个病人身上出现）。

1. 找 “频繁 1 项集”（单个高频症状）：

所以频繁 1 项集有：{发烧}、{咳嗽}、{嗓子痛}、{头痛}

1. 1. 发烧：在 1、2、3 号病人出现 → 出现 3 次（≥2）→ 算频繁项集
   2. 咳嗽：在 1、2、5 号病人出现 → 3 次 → 算
   3. 嗓子痛：在 1、3、5 号病人出现 → 3 次 → 算
   4. 头痛：在 2、4 号出现 → 2 次 → 算
   5. 腹泻：只在 4 号出现 → 1 次 → 不算（非频繁）
2. 找 “频繁 2 项集”（两个症状经常一起出现）：

所以频繁 2 项集有：{发烧，咳嗽}、{发烧，嗓子痛}、{咳嗽，嗓子痛}

1. 1. 发烧 + 咳嗽：在 1、2 号出现 → 2 次（≥2）→ 算
   2. 发烧 + 嗓子痛：在 1、3 号出现 → 2 次 → 算
   3. 咳嗽 + 嗓子痛：在 1、5 号出现 → 2 次 → 算
   4. 发烧 + 头痛：只在 2 号出现 → 1 次 → 不算
   5. ...（其他组合出现次数不够，都不算）
2. 找 “频繁 3 项集”（三个症状一起出现）：

到这里，最大的频繁项集就是 2 项集。

1. 1. 发烧 + 咳嗽 + 嗓子痛：只在 1 号出现 → 1 次 → 不够 → 不算

第二步：从频繁项集里找 “强关联规则”

有了频繁项集，就可以生成 “如果 A，那么 B” 的规则，再用 “置信度”（规则靠谱吗）筛选。假设最小置信度 = 0.8（80% 以上靠谱）。

1. 从 {发烧，咳嗽} 生成规则：
   1. 规则：发烧→咳嗽（如果病人发烧，那么他同时咳嗽的概率）

计算：发烧的病人有 3 个（1、2、3 号），其中同时咳嗽的有 2 个（1、2 号）→ 置信度 = 2/3≈67% <80% → 不靠谱

1. 1. 规则：咳嗽→发烧（如果病人咳嗽，那么他同时发烧的概率）

咳嗽的病人有 3 个（1、2、5 号），其中同时发烧的有 2 个（1、2 号）→ 置信度 = 2/3≈67% <80% → 不靠谱

1. 1. 规则：{发烧，咳嗽}→感冒（如果病人又发烧又咳嗽，那么他得感冒的概率）

发烧 + 咳嗽的病人有 2 个（1、2 号），这 2 个都诊断为感冒 → 置信度 = 2/2=100% ≥80% → 强规则！

1. 从 {咳嗽，嗓子痛} 生成规则：
   1. 规则：{咳嗽，嗓子痛}→感冒

咳嗽 + 嗓子痛的病人有 2 个（1、5 号），都得感冒 → 置信度 = 100% ≥80% → 强规则！

总结：用关联规则挖掘到的医学结论

通过上面的步骤，我们从数据中挖出了两条靠谱的规则：

1. 如果病人同时有 “发烧 + 咳嗽”，那么有 100% 的概率是感冒；
2. 如果病人同时有 “咳嗽 + 嗓子痛”，那么有 100% 的概率是感冒。

这就是关联规则挖掘的核心：先找 “经常一起出现的项目”（频繁项集），再从里面挑 “靠谱的如果… 那么…”（强关联规则）。

再回头看算法

1. Apriori 算法：就像我们上面一步步找的过程 —— 先找单个频繁症状，再找两个的组合，组合里如果包含 “不频繁的症状”（比如腹泻）就直接扔掉（剪枝），效率更高；
2. FP-growth 算法：更聪明，把所有症状的关系画成一棵 “树”，不用像 Apriori 那样反复扫描数据，直接从树上找频繁项集，速度更快。

不管用哪种算法，最终目的都是帮我们从杂乱的数据中，挖出像 “症状 A + 症状 B→疾病 C” 这样的实用规律，这就是关联规则挖掘的价值啦。