利用predict()我们可以使用模型对新数据进行预测，泛型函数predict()自动选择正确的方法用新数据进行预测：
这个函数既可以用在样本内，又可以用在样本外。如果我们为模型提供新数据，它就进行样本外预测。
这里的fitted()也是泛型函数，等价于lm1$fitted.values，拟合值等于用原始数据得到的预测值，即用原始数据构建的模型预测原始数据，predict(lm1, mtcars)。
真实值与拟合值的差称为残差，可以通过另一个泛型函数residuals()获得。
这些泛型函数不仅适用于lm、glm和其他内置模型，也适用于其他扩展包提供的模型。
我们之所以能够使用相同的方法，是因为这个包的作者希望函数调用的方式与调用R内置函数保持一致。
在定义泛型函数时，我们创建一个函数去调用UseMethod()出发方法分派。然后对泛型函数想要作用的类创建带有method.class形式的方法函数，同时还要创建带有method.default形式的默认方法来应对所有其他情况。
下面我们创建一个新的泛型函数generic_head()，它有两个参数：输入对象x和需要提取的记录条数n。泛型函数仅仅调用UseMethod(generic_head)来让R根据输入对象x的类执行方法分派。
对原子向量提取前n个元素，因此分别定义generic_head.numeric、generic_head.character等，另外最好定义一个默认方法捕获不能匹配的其他所有情况：
现在我们还没有定义针对data.frame类的方法，所以当我们输入数据框时，函数会自动转向generic_head.default，又因为提取的数量超出列数，所以下面的运行会报错：
列表可能是创建新类时使用最广泛的数据结构，类描述了对象的类型和对象交互作用的方法，其中对象用于存储多种多样、长度不一的数据。
下面我们定义一个叫product的函数，创建一个由name、price和inventory构成的列表，该列表的类是product。我们还将自己定义它的print方法。
上面我们创建了一个列表，然后将它的类替换为product。我们还可以使用structure()：
如果我们创建另一个对象，并将两者放入一个列表然后打印，print.product仍然会被调用：
当products以列表形式被打印时，会对每个元素调用print()泛型函数，再由泛型函数执行方法分派。
大多数其他编程语言都对类有正式的定义，而S3没有，所以创建一个S3对象比较简单，但我们需要对输入参数进行充分的检查，以确保创建的对象与所属类内部一致。
除了定义新类，我们还可以定义新的泛型函数。下面创建一个叫value的泛型函数，它通过测量产品的库存值来为product调用实施方法：
上面我们已经演示了创建S3类和泛型函数的过程，有时候我们需要使用原子向量创建新类，下面展示百分比形式向量创建过程。