《表5 核心药物组合:基于数据挖掘预防新型冠状病毒肺炎中医方药初探》

《表5 核心药物组合:基于数据挖掘预防新型冠状病毒肺炎中医方药初探》   提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《基于数据挖掘预防新型冠状病毒肺炎中医方药初探》


  1. 获取 高清版本忘记账户?点击这里登录
  1. 下载图表忘记账户?点击这里登录

熵理论非常适合用于挖掘具有混合型、离散型和连续型等特点的中医药数据,可以定量、定性挖掘药物之间的相关性,也可以挖掘名医经验的核心组合以及隐藏的用药规律[25]。为减少不必要的计算,同时防止数据的丢失,平台默认相关度为8,惩罚度为2。相关度是熵聚类算法中的一个重要参数,处方是由若干药物组成,一个药物与另一个药物必然存在一定的关联性,根据改进的互信息法的数学算法,药物与药物之间的关联可以进行定量描述,相关度为8,表示仅取排序在前面的1~7的药物与药物之间的关联度,共8味药物,然后进行聚类分析。惩罚度是为了减少负面数据信息干扰的一个参数,药物与药物之间的关联有正相关也有负相关,为了避免负相关对数据分析的影响,特设立惩罚度加以排除。点击新方分析,运用改进的互信息法和熵聚类的分析方法得到14条核心药物组合,具体见表5,部分核心药物组合的网络展示见图5;在核心组合基础上,使用无监督的熵层次的聚类算法,挖掘得到7个潜在新方,具体见表6,网络展示如图6所示。