予測モデルにより過去の動作に基づいて将来の動作を予測できます。モデルを構築した後は、そのモデルを使用して新しいデータのスコアリング、すなわち予測を行います。
Rにより様々なモデルを構築できます。Rモデルを使用して新しい結果の予測(データのスコアリング)をするときは、そのデータはRフレームにある必要があります。Oracle R Enterpriseに含まれているore.predict
パッケージにより、ore.frame
内のデータ、すなわちデータベースに格納されているデータをRモデルを使用してスコアリングできます。
ore.predict()
では、ore.frame
オブジェクトを使用した予測のみが可能です。モデルの再構築はできません。
データベース表内のデータを使用してモデルを構築する必要がある場合は、「Oracle R Enterpriseでのデータベース内予測モデル」で説明するように、OREdmパッケージを使用してOracle Data Miningモデルを構築することを検討してください。
詳細はore.predict
()に関するRのヘルプを参照してください。
ore.predict()
により次のRモデルのスコアリング(予測)ができます。
lm()
: 線形回帰モデル
glm()
: 一般線形モデル
hclust()
: 階層的クラスタリング・モデル
kmeans()
: (k-Meansクラスタリング)
negbin()
(glm.nb
): 負2項一般2項モデル
nnet::multinom
: 多項式対数線形モデル
nnet::nnet
: ニューラル・ネットワーク・モデル
rpart::rpart
: 再帰分割モデルと回帰ツリーモデル
このコードはiris
データ上に線形回帰モデルirisModel
を構築(lm
を使用して作成)してIRIS (データベースにiris
をプッシュして作成される表)をスコアリングします。
R> irisModel <- lm(Sepal.Length ~ ., data = iris) R> IRIS <- ore.push(iris) R> IRISpred <- ore.predict(irisModel, IRIS, se.fit = TRUE, interval = "prediction") R> IRIS <- cbind(IRIS, IRISpred) R> head(IRIS) Sepal.Length Sepal.Width Petal.Length Petal.Width Species PRED SE.PRED LOWER.PRED UPPER.PRED 1 5.1 3.5 1.4 0.2 setosa 5.004788 0.04479188 4.391895 5.617681 2 4.9 3.0 1.4 0.2 setosa 4.756844 0.05514933 4.140660 5.373027 3 4.7 3.2 1.3 0.2 setosa 4.773097 0.04690495 4.159587 5.386607 4 4.6 3.1 1.5 0.2 setosa 4.889357 0.05135928 4.274454 5.504259 5 5.0 3.6 1.4 0.2 setosa 5.054377 0.04736842 4.440727 5.668026 6 5.4 3.9 1.7 0.4 setosa 5.388886 0.05592364 4.772430 6.005342