4 Rモデルでの予測

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を予測(データのスコアリング)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。

詳細はore.predict()に関するRのヘルプを参照してください。

Rモデルのore.predict

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

次に例を示します。

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