隨著科技的進步和發(fā)展,數(shù)據(jù)呈現(xiàn)爆炸式增長,如今的社會是快速發(fā)展的社會,也是數(shù)據(jù)社會,隨著數(shù)據(jù)庫技術的不斷發(fā)展和普及,數(shù)據(jù)存儲已經(jīng)成為可能,海量的數(shù)據(jù)實現(xiàn)了存儲,數(shù)據(jù)庫轉化為數(shù)據(jù)倉庫。數(shù)據(jù)的存儲已經(jīng)不再成為問題,數(shù)據(jù)的分析和處理逐漸成為學者的研究對象,數(shù)據(jù)挖掘這門學科誕生。它是研究數(shù)據(jù)更高級的形式,海量的數(shù)據(jù)中有不完整,有噪聲但是價值極高的數(shù)據(jù),針對這些數(shù)據(jù),數(shù)據(jù)挖掘這門學科進行高度智能化分析,通過歸納總結,發(fā)掘到數(shù)據(jù)間一抹的關聯(lián),數(shù)據(jù)挖掘研究兩個方面的內(nèi)容,第一個方面從數(shù)據(jù)中尋找有用信息,建立初步模型。第二個方面,隨著數(shù)據(jù)的不斷加入,可以改善數(shù)據(jù)挖掘的方法,改善新的模型。隨著經(jīng)濟的發(fā)展,醫(yī)療技術得到了不斷的發(fā)展,醫(yī)學需要大量有效的信息和知識,幫助醫(yī)生可以進行快速的診治。目前醫(yī)院已經(jīng)實現(xiàn)了數(shù)字化系統(tǒng),全世界成千上萬的海量數(shù)據(jù)產(chǎn)生于這些數(shù)字系統(tǒng)。本文主要結合醫(yī)院醫(yī)療信息系統(tǒng)使用現(xiàn)狀,對數(shù)據(jù)挖掘技術開展了深刻的研究。主要內(nèi)容有:一、分析了數(shù)據(jù)挖掘技術的國內(nèi)外研究現(xiàn)狀。二、研究醫(yī)院信息系統(tǒng)的發(fā)展和體系機構,分析醫(yī)院系統(tǒng)的主要缺陷。三、研究了數(shù)據(jù)挖掘技術的方法、流程和常用技術。四、重點研究了Ap... 

【文章來源】：內(nèi)蒙古科技大學內(nèi)蒙古自治區(qū)

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

快速處理模型

內(nèi)蒙古科技大學碩士學位論文具體方法如下：算法：Apriori使用根據(jù)候選生成的逐層迭代找出頻繁項集。輸入：數(shù)據(jù)庫 D；最小支持度閾值 min_sup。輸出：D 中的頻繁項集 L，和它們的支持度。Apriori 算法的目的是通過設置支持度的閾值條件[46]，挖掘到滿足條件的頻基本思想是通過逐層迭代的策略，從第 k 層產(chǎn)生第k+1 層的候選項集，通次掃描來計算支持度，然后選擇滿足條件的k+1 層的項集，這樣逐層迭代生滿足條件的頻繁項集[47]。利用 Apriori算法從交易數(shù)據(jù)庫挖掘頻繁項集的 所示，設置支持度閥值為在產(chǎn)生某一層候選項集的過程中，利用函數(shù)產(chǎn)生集。

return array得到結果如圖 4.3 所示的布爾矩陣。圖4.3 布爾矩陣圖（3）經(jīng)過上述幾個步驟，已經(jīng)得到適合 Apriori 算法需要格式的數(shù)據(jù)，基本的挖掘過程及代碼如下所示。<1>獲取頻繁項集，通過組合循環(huán)的生成頻繁項集，其中一維頻繁項集不用生成，直接使用 self.columns。具體實現(xiàn)代碼詳見附錄。<2>通過最小支持度對頻繁項集進行修枝，關鍵代碼如下：support_dict = {1: support[support >= min_support]}itemset_dict = {1: ary_col_idx[support >= min_support].reshape(-1, 1)}<3>將修枝后的頻繁項集拼接成一個二維數(shù)組，數(shù)組的結構為：res_df.columns = ['support', 'itemsets']，具體代碼詳見附錄。

【參考文獻】：
期刊論文
[1]病案信息系統(tǒng)數(shù)據(jù)挖掘在醫(yī)療領域中的應用[J]. 王婷婷,吳奎業(yè),楊超.  通訊世界. 2017(08)
[2]數(shù)據(jù)挖掘技術在醫(yī)療大數(shù)據(jù)中的應用研究[J]. 羅堃,代冕.  信息與電腦(理論版). 2016(06)
[3]醫(yī)院信息管理系統(tǒng)的應用研究[J]. 劉澤松.  電腦知識與技術. 2016(03)
[4]醫(yī)院信息管理系統(tǒng)中的數(shù)據(jù)技術探討[J]. 劉陽.  中國新通信. 2016(03)
[5]基于分解事務矩陣的關聯(lián)規(guī)則挖掘算法[J]. 胡維華,馮偉.  計算機應用. 2014(S2)
[6]醫(yī)院信息數(shù)據(jù)挖掘及數(shù)據(jù)可視化[J]. 齊晨虹,高生鵬.  中國科技信息. 2014(22)
[7]基于決策矩陣的可信關聯(lián)規(guī)則挖掘方法[J]. 黃治國,王淼.  計算機工程與設計. 2014(08)
[8]醫(yī)療大數(shù)據(jù)及其面臨的機遇與挑戰(zhàn)[J]. 張振,周毅,杜守洪,羅雪瓊,梅甜.  醫(yī)學信息學雜志. 2014(06)
[9]大數(shù)據(jù)時代中如何進行醫(yī)療數(shù)據(jù)挖掘與利用[J]. 吳漢華.  硅谷. 2014(05)
[10]大數(shù)據(jù)及其科學問題與方法的探討[J]. 何非,何克清.  武漢大學學報(理學版). 2014(01)

博士論文
[1]時間序列數(shù)據(jù)分類、檢索方法及應用研究[D]. 鄭毅.中國科學技術大學 2015
[2]藥物不良事件信息資源整合與數(shù)據(jù)挖掘研究[D]. 王麗偉.吉林大學 2014
[3]新生兒重癥監(jiān)護病房感染防治及早期預警的研究與探討[D]. 周琦.復旦大學 2014

碩士論文
[1]數(shù)據(jù)挖掘技術在醫(yī)療保險領域的應用研究[D]. 余敏超.南昌大學 2016
[2]醫(yī)院管理系統(tǒng)中數(shù)據(jù)挖掘的應用研究[D]. 張拭瑜.吉林大學 2015
[3]數(shù)據(jù)挖掘技術在醫(yī)療費用數(shù)據(jù)中的應用研究[D]. 張凱.北京郵電大學 2015
[4]基于遺傳算法的數(shù)據(jù)挖掘在客戶關系管理中的應用研究[D]. 劉桂楨.大連交通大學 2014
[5]數(shù)據(jù)挖掘中基于遺傳算法的K-means聚類算法的研究及應用[D]. 趙松.浙江工業(yè)大學 2014
[6]海量醫(yī)療數(shù)據(jù)挖掘平臺的研究與設計[D]. 閆茜.武漢理工大學 2014
[7]加權關聯(lián)規(guī)則挖掘算法的研究與改進[D]. 萬軍.廣西大學 2013
[8]一種改進的遺傳算法在數(shù)據(jù)挖掘中的應用研究[D]. 蘇成偉.合肥工業(yè)大學 2013
[9]關聯(lián)規(guī)則中的Apriori算法的研究與改進[D]. 王偉.中國海洋大學 2012



本文編號：3441381