基于改进Apriori的药物信息敏感数据挖掘算法

摘要

针对药物信息数据具有类别不平衡的特点，敏感数据可解释性较差且较多、应用效果与挖掘准确率较低的问题，提出了一种基于改进Apriori的药物信息敏感数据挖掘算法。将药物数据分解成若干个带限固有模态函数，更新与去噪药物信息数据，根据药物敏感数据特征子集的信息增益以及蒙特卡洛采样策略提取敏感数据特征子集，分析隐层输出函数和特征子集之间的关系。引入极限学习机改进Apriori算法，筛选出具有显著关联性的药物组合，并对其求解，匹配候选特征子集对应的敏感数据特征，构建敏感数据挖掘函数。实验结果表明，该算法的数据信号波动幅度较小，能较为清楚地分辨出敏感数据，挖掘错误的数据数量不超过2个，提升敏感数据可解释性。

关键词

改进Apriori算法 / 数据挖掘 / 样本熵 / 极限学习机