MINI MINI MANI MO

%
% Copyright (c) 2012, 2014, Oracle and/or its affiliates. All rights reserved. 
%
\name{ore.predict-matrix}
\alias{ore.predict-matrix}
\alias{ore.predict,matrix-method}
\title{
행렬에서 행에 대한 거리를 사용한 Oracle R Enterprise 예측
}
\description{
데이터 행렬의 행을 사용하여 예측을 생성하기 위한 Oracle R Enterprise
  메소드입니다. \code{newdata} 인수의 각 행에 대해 \code{object}
  인수의 각 행에 대한 거리가 계산되고 해당 거리
  또는 \code{object} 인수에서 최소 거리의 행 번호가
  반환됩니다.
}
\usage{
  \S4method{ore.predict}{matrix}(object, newdata, type = c("classes", "distances"),
            method = "euclidean", p = 2, na.action = na.pass, ...)
}
\arguments{
  \item{object}{
행이 1000개 이하인 \code{\link[base]{matrix}}
    객체입니다.
}
  \item{newdata}{
\code{\link[OREbase:ore.frame-class]{ore.frame}}
    객체입니다.
}
  \item{type}{
수행할 예측 유형을 지정하는 문자열로, \code{"classes"}(행 ID) 또는 \code{"distances"}입니다.
}
  \item{method}{
사용할 거리 측정값을 지정하는 문자열로,
    \code{"euclidean"}, \code{"maximum"}, \code{"manhattan"}, \code{"canberra"}
    또는 \code{"minkowski"}입니다. 자세한 내용은
    \code{\link[stats]{dist}} 함수를 참조하십시오.
}
  \item{p}{
\code{method} 인수가 \code{"minkowski"}일 때 Minkowski 거리의
    곱입니다.
}
  \item{na.action}{
\code{NA} 값이 처리되는 방식으로,
    \code{na.omit} 또는 \code{na.pass}입니다.
}
  \item{\dots}{
선택적 인수입니다.
}
}

\value{
\code{type} 인수가 \code{"classes"}이면
  행 번호 참조의
  \code{\link[OREbase:ore.integer-class]{ore.integer}} 객체를 \code{object} 인수에 반환합니다.
  \code{type} 인수가 \code{"distances"}이면 \code{\link[OREbase:ore.frame-class]{ore.frame}} 인수의
  각 행에 대해 하나의
  열이 포함된 \code{object} 객체를 반환합니다.
}
\references{
  \href{http://www.oracle.com/technetwork/database/database-technologies/r/r-enterprise/documentation/index.html}{Oracle R Enterprise}
}
\author{
  Oracle \email{oracle-r-enterprise@oracle.com}
}
\seealso{
  \code{\link{ore.predict}},
  \code{\link{ore.predict-kmeans}},
  \code{\link[stats]{dist}}.
}
\examples{
groups <- cutree(hclust(dist(iris[1:4], "manhattan")), 3)
centers <- do.call(rbind, lapply(split(iris[1:4], groups), colMeans))
rownames(centers) <- sprintf("DISTANCE\%d", 1:3)
IRIS <- ore.push(iris)
IRIS$CLUSTER <- ore.predict(centers, IRIS, method = "manhattan")
IRIS <- cbind(IRIS, ore.predict(centers, IRIS, type = "distances",
                                method = "manhattan"))
head(IRIS)
table(IRIS$CLUSTER, IRIS$Species)
}
\keyword{multivariate}
\keyword{cluster}