349210_ja-JP

liliconcom

「黄金曲線」の追求：データシリーズのFDA分析とPLS分析の比較（2021-EU-30MP-742）

レベル：中級

 

プロクター・アンド・ギャンブル・サービスGmbHシニア統計学者、ベアトリス・ブルム
Phil Bowtell、主任統計学者、データおよびモデリング科学

 

センサーが経済的に利用できるようになった現在、P＆Gはセンサーの使用を大幅に拡大して、新しくより優れたテスト方法を開発しています。 センサーは、時間や場所などの連続体にわたって離散測度を提供し、多くの場合、滑らかな曲線をもたらします。 ただし、これらのセンサーデータから抽出するメトリックは、平均、合計、積分などの鈍い要約統計量です。 これらは、消費者に関連するさまざまな製品機能を表すと考えられていますが、堅牢な数学的リンクを確立するのに苦労しています。 歴史的なアプローチを使用して、私たちが途中で測定する製品のパフォーマンスに関する多くの情報は活用されていません。 製品の特徴を表す識別可能な曲線特性を抽出するために、あらゆるタイプの曲線にスプラインフィットするための数学的アプローチである機能データ分析（FDA）を適用することを提案します。 ベビーケアのケーススタディを使用して、センサーデータを意味のある情報に変換する方法を示します。 さらに、FDAとSIMCAのPLSを比較して、各方法をいつ使用するかを理解します。

これらの適合を消費者データと一致させることで、製品ポートフォリオランドスケープの作成が可能になり、最適な製品パフォーマンス、いわゆるゴールデンカーブがどのように見えるかを理解できるようになると考えています。 最終的に、私たちの目標は、製品の構成を最適化することにより、特定された消費者関連のゴールデンカーブに対しておむつ、パッド、かみそりなどを設計することです。

 

 

自動生成されたトランスクリプト...

 

スピーカー	トランスクリプト
ベアトリスブルム	こんにちは。今日はPhil'sと私のDiscoveryプレゼンテーションに参加して、私の素晴らしい2021ロックダウンヘアスタイルを垣間見ることができてありがとう。
	一部のセンサーデータにどのようにアプローチしたか、なぜ機能データ分析（FDA）と部分最小二乗法を使用するのかについて説明します。
	（PLS）ゴールデンカーブをキャッチするために私たちの追求で。 私の名前はベアトリス・ブルムです。プロクター・アンド・ギャンブルのデータおよびモデリング科学部門の統計学者であり、ドイツでの赤ちゃんと女性のケアの研究開発をサポートしています。 私の共著者は英国のPhilBowtellです。 フィル、自己紹介をしますか？
Phil Bowtell	どうもありがとう、ビー。 こんにちは、私の名前はフィルです。 私は英国を拠点としており、Beaと同様に、データおよびモデリング科学グループの一員として統計学者を務めています。 また、Beaによるベビーケアなど、ヨーロッパのさまざまな技術科学をサポートしています。 ありがとうございました。
ベアトリスブルム	したがって、本日取り上げたいのは、収集したデータの簡単な紹介と、消費者の反応である利回り1と利回り2に関するさまざまな曲線形状の意味を理解しようとしている方法です。
	これらのデータに対する2つの分析アプローチ（PLSとFDA）の比較に特に注意を払い、どちらをいつ使用するかを理解しようとします。
	この講演では、PCA、PLS、およびFDAについてある程度の知識があることを前提としていますが、実際に知っておく必要があるのは、一般的な概念とデータ...データの編成方法です。
	しかし、あなたがそれに精通していなくても、あなたはまだこの話のコースをたどることができる可能性が非常に高いです。
	したがって、プロクター・アンド・ギャンブルがおむつを開発および製造していることをご存知かもしれません。 消費者の目から見たこれらのおむつとその製品性能を改善するために、
	おむつの重要な特徴を捉えて理解しようとしています。 特にいくつかの試験方法では、さまざまな場所でさまざまな場所でおむつに液体を塗布します
	プロトコルまたは条件を設定し、左側に示すようにKデータ曲線を測定し、右側に示すようにPデータ曲線を測定します。
	これらのKデータ曲線は、歩留まり1と呼ばれる消費者の反応にある程度関連しており、これらのPデータ曲線は、消費者の反応である歩留まり2に関連していると想定しています。
	それでは、最初にKデータ曲線を調べて分析するか、JMPのFunctional DataExplorerを使用してこれらを適合させてみましょう。 それでは、JMPに切り替えます。
	これがJMPの私のデータテーブルです。
	これは、列に関して非常に限られたデータテーブルです。 調査中の10個の製品（AからK）に対して1つの列があります。
	これらの製品のそれぞれについて、メソッドで3つの複製を実行しました。 2つの列を1つのID列に結合しました。これは、サンプル名とレプリケート番号で構成されています。
	時間の経過とともに連続変数のデータを収集し、生の信号はKrawと呼ばれます。
	それでは、Krawがどのように見えるかを見てみましょう。
	プロファイルがまったく異なるように見えるため、2つの製品（この場合はGとI）を選択しました。 ご覧のとおり、カーブがステップアップしてジャンプアップし、その後フラットダウンして非常にスムーズな動作をする部分があります。
	ステップアップは、スペクトルデータのモデル化を試みるという観点から作成されたPLSにとっては大きな問題ではありませんが、FDA（機能データ分析）にとっては大きな問題ではありません。
	それは滑らかな曲線と滑らかな派生物を期待しますが、曲線がちょうど跳ね上がっている場合はおそらく与えられません。
	これらのジャンプアップは、おむつに塗るソース（？）に関連しています。 3つの複製も表示されるため、この方法は再現性が高いようです。
	けっこういい。 ただし、生データには多くのノイズが見られます。 ここで振動して再び沈み、多くのノイズとオーバーフィットをモデル化すると想定します
	ここにたくさんの振動があるからです。 したがって、フィッティングの前に曲線を滑らかにすることが示されていることがわかりました。これが、ここで確認できることです。 ウィンドウサイズ20の移動平均スーパーサンプル（？）を使用して曲線を滑らかにしました。
	それで私は行き、フィットしようとします
	機能的
	これへのコンポーネント。 そこで、変数を対応する役割に配置します。 生データの代わりに、平滑化されたKを使用します。 ID変数とID関数が必要です。 私のXは、Kを測定する時間であり、最終的には、これらのデータを歩留まり1にリンクすることで達成したいものです。
	連続変数を使用し、予測された曲線がこの消費者の反応にどのように関連しているかを理解してください。 だから私はこれを補足的な役割に入れました。
	それを実行し、FDEから元の出力を取得します。通常、Bスプラインをフィッティングすることから始めます。これは、素晴らしく、簡単で、比較的高速だからです。
	数千行あるにもかかわらず、これには数秒しかかからないことがわかります。 したがって、結果が得られます。 それほど悪くはありません...遠くから見るとそれほど悪くはありませんが、少し掘り下げてみましょう。
	すでに述べたように、機能データ分析が何のために開発されたかについて話すとき、それは滑らかな曲線を期待しています。
	そして、Bスプラインは実際にはこの特定のケースでは3次スプラインの断片をつなぎ合わせるだけです
	そして、ここのように、三次曲線がないコーナーを回避するには...確かに三次曲線はありませんが、動作とターニングポイントの実際の変化は、
	それは周りを回ってその振る舞いをいくらか捕らえようとしなければなりません、しかしあなたはそれが本当に悪い仕事をしているのを見ることができます。 また、上部で観察されたこれらの高原を表現しようとしても、うまく機能していません。
	したがって、非常に高速でシンプルであり、ほとんどの場合、この特定の点で非常に優れたアプローチです。
	コンテキストでは、Bスプラインを選択するのはおそらく最善ではありません。 その代わりに、
	ヘルプを少し読んで少し調べたところ、プロファイルデータがある場合、スペクトルデータのようなものがある場合は、Pスプラインを使用する必要があることがわかりました。 それがJMPが推奨することなので、Pスプラインを選びました。
	そして、ここでステップの変更があることを実際に見たので、これを引き付ける唯一の方法は、ステップ関数を使用することです。
	また、Pスプラインの適合にははるかに長い時間がかかるため、事前に適合させて、結果がどのようになるかを確認します。
	ですから、ここでも実際のロットと予測されたロットを見て、これらのターニングポイントを取得するのにはるかに優れた仕事をしていることがわかります...ターニングポイントと
	上向きのステップを達成します。 彼らはまた、ここの周りの高原をいくらか捕らえました、しかしそれはすでに以前にそうと仮定されました、彼らはまだそうします
	かなりの量のノイズをキャプチャします。 したがって、これは本当にスムーズではありません。 多分Bスプラインがこれに合うのは本当に素晴らしいでしょう
	下り坂の劣化型スタイル。 本当に必要なこの領域でPスプラインをステップ実行するだけかもしれませんが、少なくともこれは、Bスプラインが適合するよりもはるかに優れています。 では、何が起こっているのか見てみましょう。
	そのため、さまざまな製品を2次元スコアプロットに配置するのに非常に役立ちました。 さまざまな製品の複製が互いにどのようにグループ化されているかがはっきりとわかります。
	Aがあります。 Hなどがあります。 それらのいくつかはあまり良くないので、私はもう少し分散していて、他のものと重複しています。
	ただし、生データで見た良好な再現性は、ここでうまく機能しているように見えます。 私たちは4つのFPCに行くことにしました。
	ここに見られるように。 そして、彼らが私たちの曲線を非常にうまく予測していることがわかります。
	しかし、最終的には、私たちの目標は明らかに、消費者の反応がさまざまな曲線にどのように関連しているかを確認することです。 したがって、JMPがバックグラウンドで、一般化された回帰で行っていることは、歩留まり1を使用してこれら4つのFPCのそれぞれに適合させることです。
	そして、その結果から、歩留まり1の変化が曲線の形状をどのように変化させるかがわかります。上向きのストランドをはっきりと見ることができました。
	そう
	何が起こっているのかを把握するのは比較的簡単なようですので、これは本当に悪い製品です。
	これはもっと下がっているようです。 そのため、歩留まり1の黄金曲線に近いと思われるものを見つけました。
	ただし、消費者から実際に収集したデータを見ると、現在は連続Kではなく、カテゴリスケールで並べています。
	0.31からほぼ同じように出てきたこれらの4つの製品を確認する必要があります...
	0.031から0.034。 左側の曲線の形状とその変化を見ると、かなり異なっていることがわかります。
	したがって、完全に一致しているわけではありません。連続収量1をフィッティングする際に見たものとはまったく一致していないとさえ言えます。 ですから、ここにあるものを通して、これは...すでに消費者の反応にかなり大きな違いがあるにもかかわらず、それらは非常に似ているように見えます。
	繰り返しになりますが、これは、継続的なものと私たちが見たものに関してもそれほど違いはありません。
	それでスライドデッキに戻ります
	スライドデッキに戻りましょう。 ここでは、FDAから抽出したデータがYield1にどのように適合するかを確認できます。
	そして、これが非常に優れたモデルであることが実際にわかります。 これが新しいデータに当てはまるかどうかを常に疑わなければならなかったのはとても良いことです。 Discoveries America2020でPhilRamseyとTiffanyRaoによって推進されたように、自動検証とモデル平均化を使用して適合を行いました。
	97のR二乗、次にR ... 90のR二乗交差検証R二乗を押すと、それが真実であると信じるにはあまりにも良すぎます。
	それでは、PLSで同じデータを調べたときにPhilが見つけたものを見てみましょう。
Phil Bowtell	つまり、あなたが言うように、このRの2乗は97％で、プレスのRの2乗は90です。 すべてがとても素敵に見えます。 部分最小二乗法がこれとどのように比較されるかを見てみましょう。
	だから私は主成分分析、部分最小二乗法を見てきました。これは私たちがスペクトルや曲線を持っているときに使うツールです。 すべての入力が高度に相関し、
	従来の回帰手法では、これをうまく処理できません。 そして、最初に気付いたのは、前のスライドでBeaが持っていたスコアプロットを見たときです。
	デモでは、主成分分析で得られるものとほぼ同じように見えるので、そこにいくつかの一般的なリンクがあります。
	部分最小二乗法を実行すると、73％の決定係数が得られます。
	97ほど良くはありません。 また、予測に対して観測されたものを見ると、
	実際に何が問題ないように見えるかはわかりますが、明らかに製品Bは少しの影響と過度の影響を及ぼしています。
	また、JMPとSIMCAでは、交差検定の測定値Qの2乗があり、33％と低くなっています。 したがって、これは実際には良いモデルではありません。
	これは、私たちが持っていた生の滑らかなデータに対して行われました。 試すことができる他の変換がありますが、実際には良いモデルを構築することができませんでした。 確かにFDAと競合するものは何もありません。
	ただし、モデルから得られることの1つは、係数の推定値です。 また、VIPと呼ばれるこの量を取得します。これらを組み合わせることで、曲線のどの特定の領域が励起されるか、または予測で何が起こっているかを知ることができます。 だから私がオーバーレイするだけなら
	ここでは、VIPと生データプロットの係数、緑色は、これが予測に実際に大きな影響を与えている領域、モデルに貢献しているものを強調しています。
	オレンジは中程度で、それほど多くはありません。 そして、灰色は低く、これは実際には、最初のピークが予測の観点からはまったく影響を与えていないことを示しています。
	次に、別のデータセットを確認します。 これはpデータ曲線であり、ここに収集されたこれらの曲線があります。
	3つの場所で、4つの条件（プロトコルまたは条件と呼ばれることもあります）。 5番目のプロトコルまたは5番目の条件もありますが、これはロケーション1でのみ取得され、ここではプロットされていません。
	そして、左側にロケーション1、右側にロケーション3、上部に条件1があり、下部に条件4があります。
	そして、これらの曲線は非常に似ていることに注意してください。 若干のずれが見られます。
	しかし、尋ねられた1つの質問は、まあ、これらの曲線のすべてが必要かどうかです。 それらはすべて必要ですか？ または、サブセットを取得し、それらを使用してデータを理解するのに役立てることもできます。 だから私がやったことは、すべての製品を取り、それらを順番にプロットすることです。 だから私はロケーション1を持っています
	条件1、場所3、条件4までずっと、データをプロットしました。
	そして、いくつかの一般的な傾向があることがすぐにわかります。いくつかの違いもわかります。 ですから、私たちはいつも...他の製品から離れているように見える3つの製品がここにあることがわかります。
	そのため、製品の差別化が進んでいます。 さまざまな条件を見ると、明らかに、条件を変更するにつれて、これらの製品は確実に変更されていることがわかります。
	場所を見ると、それほど大きな影響はないようです。 これをもう少し詳しく調べることができるかどうか見てみましょう。
	したがって、多変量データの場合、通常、最初に行うことは、文字通り主成分分析にデータを投入し、そこから何かが出てくるかどうかを確認することです。 つまり、これは探索的データ分析ツールです。
	スコアプロットを見ると、今見たすべてのデータを取得してパッケージに入れ、製品ごとに色分けされた主成分が表示されます。
	そして、製品D、G、Hが他の製品から離れているように見えることがすぐにわかります。 ここには3つの製品があり、ここには7つの製品があります。
	そして、これらの製品を開発し、製造している人々と話をしたとき、それは完全に理にかなっています。 したがって、データが実際に私たちが期待するものを強調しているのは良いことです。
	次に、さまざまな場所で強調表示しますが、ここでは実際にはパターンが表示されていません。 何かが起こっていると言うには、かなり冒険的でなければならないと思います。
	しかし、さまざまな条件で色を塗ると、いくつかのパターンが現れます。 そして、ここにある3つの製品、D、G、Hを見ると、
	右から左に進むと、条件1から条件4に移行していることがわかります。同様に、ここにある7つの製品についても同様です。 条件5は真ん中にありますが、実際には測定装置が異なるため、これも予想どおりです。
	したがって、探索的観点から、これらの違いを見ることができます。 より統計的な観点からこれを見ることができるかどうか見てみましょう。 そして、これから説明する例では、ロケーション3に焦点を当て、ロケーション3内の4つの条件を確認します。
	これを行うには、マルチブロック直交成分分析を使用します。これは少し一口なので、MOCAになります。
	そして、私も階層モデリングを検討するつもりですが、それを行うつもりはありません...この話の文脈であまりにも多くのことを議論するので、私は焦点を当てるつもりです... MOCAとこれらは、統計パッケージSIMCAにある2つの手法です。
	ここでの考え方は、データのブロックを調べることです。従来、各ブロックは、ある種の化学物質またはある種の製品を測定するさまざまな方法を表しています。 例として、近赤外線、赤外線、ラマン分光法があります。
	そして、MOCAと階層モデリングで私たちが目指している2つのことは、まず、冗長性を評価することです。
	予測には近赤外線とラマン分光法が必要なだけかもしれません。実際、近赤外線とラマンを知っていれば、実際に赤外線を予測できるか、冗長です。
	これが注目されますが、冗長性について話すとき、それは自動的にその特定のブロックを破棄できることを意味するわけではないことに注意してください。
	それ自体で、予測に追加される可能性があるためです。 つまり、これは冗長性と予測可能性の間のバランスを取る行為です。 すでに見てきたように、ここでこれらのチャートを見ると、ある程度の冗長性があるように見えます。
	では、実際に何が起こっているのでしょうか。 さて、これをオーバーラップの観点から考えてみましょう。 ロケーション3があり、4つの条件があります。 そして、重複を表現するために、私は素晴らしいベン図を持っています、そして私たちは本当に私たちが持っている情報の種類を理解しようと試みることができます。
	情報の最初のポイントは、グローバルな共同情報です。ここには、4つの条件すべてに共通する情報があります。
	次に、ここでオレンジ色で強調表示されているように、2つまたは3つの条件にのみ共通する情報、ローカルでの共同情報を取得できます。
	そして最後に、残っているものはすべて、固有の情報であり、これは、さまざまな条件がそれ自体でパーティーにもたらすものです。 では、ここで何が期待できるでしょうか？
	さて、左側は、4つの条件が実際に非常に大量の独立した情報を持っている状況を示しています。
	そして、おそらく、ここでは冗長性はないだろうと思うでしょう。4つすべてを維持する必要があります。
	右の画像は、グローバルジョイントとローカルジョイントの情報が多く、固有の情報があまりない場合、冗長性がある可能性がある状況を示している可能性があります。条件であり、4つすべてではありません。
	SIMCAの機能に関しては、
	いくつかのモデリングを行い、4つの条件があり、4つのコンポーネントが適合しています。そのうちの2つはジョイントコンポーネントを対象としており、2つは固有のコンポーネントを対象としています。
	全体として、データの変動性の多くを説明します。 ここの上部の数字から、変動のほぼ100％を説明していることがわかります。 それは良いことです。
	緑のバーはグローバルな共同情報を見ています、そして私達は見ることができます、これらは本当にかなり大きいです。数が多いです。 そう
	これは、これら4つの異なる条件の間に大量の重複があることを示しています。
	オレンジ色のローカルジョイント情報を見ると、条件2、3、4の間にいくつかあります。 大きくはありません。
	そして最後に、それぞれの条件が持つ独自の情報のそれぞれが持つ独自の貢献を見ることができますが、それは非常に小さいものです。 したがって、ここでは、ある程度の冗長性があることはほぼ確実です。
	また、製品の独自性がどこから来ているのかを調査することもできます。 したがって、ここでのバブルのサイズは、それが一意であるかどうかを示します。
	さて、独自性がないと、泡が非常に小さくなります。たとえば、製品IとFは非常に小さくなります。 これらを個別に見ると、ここにたくさんの緑と緑のバーがあると予想されます。
	製品Hを見ると、もう少し独立していることがわかります。 それは、条件に十分な少し独立した情報があることを示しています。
	それは大きなバブルではありませんが、まったくありません。実際には、冗長性がたくさんあるように見えます。 したがって、次に行われたのは、13の可能な条件と場所をすべて取得し、MOCA分析と階層モデルを実行したことです。
	このことから、理想的には、ロケーション1と3に最初の条件が必要であり、ロケーション1に5番目の条件が必要であることがわかります。
	これは、私たちが言ってきたことに本当に反します。 ご存知のように、私たちは以前に言っていました、まあ、
	条件が少し異なり、場所もまったく変わらないことをご存知でしょう。 まあ、完全ではありませんが、予測に関しては明らかに何かが起こっています、
	しかし、13の異なる組み合わせから4つに減らすことができ、かなり良いモデルで、決定係数は85.5です。
	そしてQ二乗は69.3になります。 相互検証の尺度は悪くありません。これら2つが近い場合は便利ですが、少なくともここでデータをモデル化しています。この場合は、これまでよりも優れたYield 2であり、これを使用してPデータを使用します。
	それで、私はBeaに戻ります。
ベアトリスブルム	フィル、あなたが提供できるこの非常に興味深い洞察に感謝します。 それでは、FDAがPデータに対して何をしているのか、そしてそれから何が得られるのかを見てみましょう。
	フィルが私たちに示したのと同様に、あなたが言うかもしれないが、要因としてのその場所は、異なる4つの条件ほど大きな影響を与えていないことがわかります。 したがって、結果はさらに大きく異なります。
	また、ここで74と72の2つの最高のパフォーマンスを発揮する製品を見ると、非常に興味深いことがわかります。
	それらが曲線であり、対応する予測曲線であるということは、それらはかなり異なって見え、K曲線で見たものよりもはるかに異なっているかもしれません。
	したがって、黄金の曲線を探して、実際に最もパフォーマンスの高いプロファイルを見つけようとすると、これら2つの曲線の共通点を見つけるのが非常に難しいため、これは困難です。
	だから問題は本当に、いくつかの黄金の曲線がありますか、それともすでにうまく機能しているものの間の平均曲線が私たちが追いかけなければならないものである可能性がありますか？
	まだ答えられません。 また、冗長性があるかどうか、またはこれから実際に測定する必要がある場所と条件の組み合わせがあるかどうかについても回答できません。
	ただし、これらのFDAから要約を抽出し、モデルを作成して歩留まり2を予測しようとすると、R二乗が98で、R二乗が97の非常に優れたモデルが再び得られます。 はい、私たちはすでにこれが真実であるには良すぎることを知っています。
	一方、測定部門から提供された曲線から抽出された他の値を使用して、同じYield2をモデル化してみました。
	しかし、これらの抽出された値をモデル化し、収量2を予測しようとしても、まったくうまくいきませんでした。 私たちが達成できたRの正方形は、私たちがここで得たものにさえ近くありませんでした。
	したがって、何かが起こっていると思います。Yield2をモデル化する方法を理解するために、かなり大きな前進を遂げました。
	それでは、見つけたものをまとめましょう。 両方のモデル、またはどちらの方法でも、非常に類似した主成分が得られ、K曲線とP曲線から抽出する共通性に関して一致することがわかりました。
	FDAは、データの準備がほとんどなく、おそらく少し使いやすいかもしれません。 これにより、歩留まり1と歩留まり2から曲線の形状を予測することができ、黄金の曲線がどのように見えるかがわかります。
	また、どの測定の実用的な要素を維持することがより重要であると思われるかも示します。
	歩留まりに対して本当に良いモデルを得ることができますが、これらのモデルに深く疑問を投げかけています。
	現時点では、どの場所と条件の組み合わせを維持するのが最も適切かを抽出できませんでした。 それは私たちがJMPでフォローアップしたいことです。
	一方、PLSは、曲線のどのセクションが製品の識別に関して最も有益であるかについての非常に有用な情報を提供しません。
	さらに、MOCAと階層型PLSは、P曲線から最も関連性の高い情報を取得するために保持する必要のある測定プロトコルを正確に示します。 歩留まりを予測するPLSモデルは、FDAモデルよりも適合度メトリックの点でいくらか合理的であるように見えます。
	私たちの共同の努力は、私たちの製品を差別化するための明確なパターンを見つけるのに役立ちました。 PLSとFDAの両方が私たちを可能にします
	トレースから重要な特徴を抽出し、歩留まりの優れた予測モデルを計算します。 また、曲線の側面とどのプロトコルが最も意味があるかを学びました。
	過去よりもはるかに優れた歩留まりのモデル化または予測を行うことができました。 それは大きな前進です。
	これは、実際にはあまりにも多くの料理人がスープを台無しにしなかった非常に良い例です。 どちらの方法も特定の点に同意しますが、互いに異なる場合は、どちらも異なる追加情報を提供します。 作業は進行中です。ここから拡大していきます。
	特に、
	モデルを検証または改善するために、新しい独立したデータを追加します。 最も関連性が高く、冗長性が最も少ない情報を提供するために、保持する必要のあるプロトコルを微調整する必要があります。
	これは、JMPがFDEプラットフォームでそれを可能にするのに役立つことを願っています。 私たちの最終的な目標は、おむつの材料組成を理解することです
	その結果、どの曲線形状とそれらの曲線形状が消費者の歩留まりにどのように関係するかがわかります。 黄金らせんの追求において、私たちは順調に進歩し、最終的にそれを完全に捉えることに興奮しています。
	それでは、ご清聴ありがとうございました。今すぐ質問を受け付けています。

サミットのベスト起こるデータ探索予測モデリング