758522_ja-JP

liliconcom

JMP Pro 用 XGBoost アドイン (2020-US-45MP-540)

ラス・ウルフィンガー、JMP 科学発見・ゲノミクス担当ディレクター、著名な研究員
ミア・スティーブンス、JMP 主席製品マネージャー

JMP ProのXGBoostアドインは、人気の高いオープンソースライブラリXGBoostへのポイントアンドクリックインターフェースを提供し、極限勾配ブースティングツリーを用いた予測モデリングを実現します。以下の付加価値機能が含まれます。

• アウトオブフォールド予測によるk-foldクロスバリデーションの繰り返し、および最適化されたk-fold検証列を作成するための別のルーチン

• 1回の実行で複数のY応答を適合する機能

• JMP実験計画法（DOE）による自動パラメータ検索、高速で柔軟な充填設計

• インタラクティブなグラフと統計の出力

• モデル比較インターフェース

• 再現性を確保するためにJMPスクリプト言語（JSL）とPythonコードのプロファイリングエクスポート

上記のリンクをクリックすると、チュートリアルで紹介されているジャーナルと補足資料を含むzipファイルをダウンロードできます。動画ではXGBoostが「予測モデリング」メニューに表示されていますが、アドインをインストールすると「アドイン」メニューに表示されます。メニューは「表示」>「カスタマイズ」>「メニューとツールバー」から自由にカスタマイズできます。

アドインはここから入手できます: JMP Pro用XGBoostアドイン

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
ラス・ウルフィンガー	はい。それでは皆さんこんにちは。
	ノースカロライナ州ホリースプリングスの私の家へようこそ。
	コロナ禍で大変な状況が続いている中、オンラインで仮想会議を行うというのは新しい経験ですが、今日は皆さんとお話しし、JMP Proの新しいアドインのチュートリアルを提供できることをとても楽しみにしています。
	人気の XGBoost 機能を実装します。
	今日はこのチュートリアルで、私たちが持っているものについて説明したいと思います。ここにあるのはJMPジャーナルです
	会議資料でご覧いただけます。もしご自身でご覧になりたい場合は、ぜひご参加ください。
	今すぐビデオを一時停止して、会議資料にアクセスし、このジャーナルをダウンロードしてください。JMP Proで開いてください。
	インストール用のリンクもあります。アドインをインストールする必要がありますが、インストールすれば、私がここで行っていることを自宅で再現できるだけでなく、自分でも色々試すこともできます。もし可能であれば、ぜひインストールしてみてください。
	背景にいるのは愛犬のチャーリーです。何か恥ずかしいことをしないといいのですが。今はそんなに興奮しているようには見えませんが、彼も私と同じくらいXGBoostが大好きなので、さっそく始めましょう。
	XGBoost は、かなり昔から存在している、非常に素晴らしいオープンソースの C++ ライブラリです。
	実はこの元の理論は、90年代に数人の有名な統計学者によって考案されたもので、その後ワシントン大学のチームがそのアイデアを取り上げ、実装したのです。
	そして、それが本当に独自の地位を確立したのは、いくつかの Kaggle コンテストの場でだったと思います。
	それが始まったところ...人々がそれを使い始め、それが利用可能になると、文字通り、Kaggle が過去数年間にわたって開催してきたほぼすべての表形式のコンテストで勝利を収め始めました。
	そして、実際にオンラインで数百の例がありますので、検索してみれば、見つかります。
	したがって、これはおそらく現時点で世界で最も人気があり、おそらく最も強力な表形式データ予測モデリング手法であると私は考えています。
	もちろん競合相手もいますし、特定のデータ セットごとに多少の違いが見られることもありますが、全体としては非常に印象的です。
	実は、MicrosoftのLightGBMやYandexのCatboostといった、非常に似た機能を持つ競合パッケージが存在します。今日は詳しく説明しませんが、かなり似ています。
	今日は時間があまりないので、動機について詳しくは触れません。でも、もう一度言いますが、もっと詳しく知りたい方は、この日記をご覧ください。
	私がやりたいのは、このジャーナルのハイライトを紹介し、特にライブデモンストレーションをいくつか紹介して、ここに何が書かれているのかを皆さんに理解してもらうことです。
	そして、時間が経つにつれて、これらのことを自由に探求し、自分で試してみることができるようになります。必要なのは…JMP Pro 15の正常に動作するコピーです。
	早くてもJMP 16の早期導入者であれば、公式のJMP 16は来年2021年まで出荷されません。
	早期導入版は現在入手可能で、現在機能強化を進めています。最新のJMP 16 Pro早期導入版をぜひ入手することをお勧めします。
	このアドインの最新機能を利用するには…この機能です。これは、JMP Proとしては珍しい新しいフレーム設定です。
	XGBoost C++ APIを統合するために、Pro版では多くのC++コードを記述しました。そのため、ほとんどの作業はC++で行っています。
	しかし、これには動的ライブラリをインストールし、小さなメニュー更新を行うアドインが付属しているので、これを実行するには Pro とアドインの両方をインストールする必要があります。
	最新の機能を手に入れるために、可能であれば JMP 16 Pro の早期導入をぜひお試し下さい。今日はその内容をご紹介します。
	早速、例を挙げてみましょう。これは最近私が注目したばかりの新しい例ですが、とても興味深い背景があります。
	これらのデータの研究者は、ハイビメ・エバリト教授です。彼は環境科学者の専門家であり、博士号、教授、助教授でもあります。
	彼は現在オランダのユトレヒト大学に在籍しており、このデータとその背景にあるストーリーを、このデータにまつわるちょっとした騒動に巻き込まれた他の人々を助けるために、許可を得て提供してくれました。私は彼の同僚であるジェフリー・マクドネルに敬意を表しました。
	これらすべてのデータを収集しました。これはデータです。目的は、世界中の森林伐採地域における水の流れの流出を研究することです。
	ご覧のとおり、ここには163か所あり、そのほとんど、少なくとも半分は米国で、そして世界中、さまざまな場所で収集できました。
	木々が伐採された地域で、重要な測定が行われた。
	水の流出に何が起こったかという点においてです。この種の研究は、森林伐採や森林破壊、そして気候変動による環境への影響を研究する上で非常に重要であり、非常にタイムリーなものです。
	そしてジャイビメにとって幸運だったのは、当時世界トップクラスの科学雑誌の一つであるネイチャー誌に論文を掲載できたことです。
	彼が論文をそこに載せるには、経験が必要でした。しかし残念なことに、その後に起こったのは、競合する研究室が、この論文で行った研究内容に非常に批判的になったことです。
	そして、多くの議論の末、論文は撤回されることになりました。
	ジェイビメにとって、それは明らかに本当に辛い経験でした。彼はとても寛大で、自分の経験と希望を分かち合ってくれました。
	これを避けるためです。そして、論争の根底には他にも様々な要因があったことが判明しましたが、批評家たちの最大の不満は…
	ブースティングツリー分析をやったかもしれません。かなり単純なモデルです。予測変数はほんの数個しかなく、それぞれが重要ですが、その主な目的の一つは、どれが最も重要かを判断することでした。
	彼はブースティングツリーモデルを単一のホールドアウト検証セットで実行し、検証ホールドアウトが約0.7であることを発表した。すべて順調に見えたが、
	しかしその後批判者が現れ、別のホールドアウトセットでデータを再分析し、検証ホールドアウトR二乗を得た。
	0.1未満です。かなり大きな変化です。0.7から0.1未満になるのです。そしてこれが使われ、批評家たちはこれに飛びつき、何が起こっているのかを徹底的に貶めようとしました。
	さて、ジャイビメさん、この時点で、ジャイビメさん、これは昨年起こったことで、論文は2020年の初めに撤回されました...
	Jaivimeはこの夏にデータを私と共有し、私はもう少し厳密なクロスバリデーション分析を行い、実際に繰り返しKフォールドを行うことを考えました。
	2つの異なるホールドアウト間のこの矛盾の根本を解明するために、単一のホールドアウトではなく、新しいルーチンを導入しました。
	XGBoostアドインに付属のK分割列を作成します。ここにデータセットがありますので、私が作成したものです。時間の都合上、その方法については説明しません。しかし、
	「make K fold columns（K分割列を作成）」という見出しが付いた新しいモジュールができました。これでK分割列を作成できます。私は層別法で作成しました。興味深いことに、このモジュールは内部でJMP DOEを呼び出しています。
	この方法の利点は、実際に直交する折り目を作成できることです。これはあまり一般的ではありません。ここで、簡単な分布を見てみましょう。
	これはジェイヴィメが最初に行ったホールドアウトセットであり、層別化も行いました。反応が少し偏っているので、これは良いアイデアだと思います。そして、これは批評家が使用したホールドアウトセットです。
	そして、最終的に私が使った折り目がこれです。3つの異なる方式を試しました。ここで私が言いたかったのは、これらの折り目はきれいに直交しているということです。
	ここでは、3 つの直交セットを使用して K フォールドを 3 回別々に実行することで、最大限の情報ゲインが得られます。
	すると、彼はすでにブースト ツリーを使用していたため、次に試すべきことは XGBoost アドインであることがわかりました。ですから、私はこのデータ セットについて知ることができ、ここでそれについて話すことができて本当にうれしく思いました。
	さて、何が起こったのでしょうか…検証セットに対して一元配置分析をもう一度やってみます。ここで私がやっていたのは、応答、つまりこの水収量を修正することだったようです。
	そして、それを検証セットと比較してプロットしています。Jaivimeのトレーニングセットでは、
	上位 4 つまたは 5 つの測定値がすべてトレーニング セットに含まれており、これが問題の根本であると私は考えています。
	一方、批評家のデータセットでは、少しバランスが取れており、特に最悪だったのは、最高得点の場所が検証データセット内にあったことです。これは、学習に使用したデータセットの範疇を超えているため、当然ながら誤差の原因となります。
	そして、これは本当に、単一のホールドアウト セットを実行するよりも、K フォールド、K フォールド タイプの分析の方が説得力があるケースだと思います。
	私は、これらの単一のホールドアウトセットはどちらも偏りがあり、より多くの折り畳みを行って階層化したり、分配したりする方が良いと主張します。
	毎回異なる方法でフィッティングを行い、複数回フィッティングした後に何が起こるかを確認します。ここで作成したフォールドが分布の観点からどのように見えるかを確認した後、XGBoostを実行してみましょう。
	アドインには実際にはたくさんの機能があり、今日は皆さんを圧倒したくありませんが、もう一度言いますが、自分でやろうとしている場合は、ビデオを一時停止して一緒に見てみることをお勧めします。
	念のため。ここでやったのは、スクリプトを実行しただけです。ちなみに、ジャーナルにあるものはすべて…JMPテーブルは便利ですね。そこにスクリプトを保存できます。そこで、そのスクリプトからXGBoostを実行しました。
	説明のために、メニューからもう一度実行してみましょう。おそらくこの方法で実行するのが適切でしょう。アドインをインストールすると、
	「予測モデリング」をクリックして「XGBoost」を選択します。これを予測モデリングメニューに追加しました。設定方法は以下のとおりです。
	応答を指定することです。Yは7つの予測変数で、ここにxとして入力し、それぞれの折り畳み列と検証を入力します。
	ここで、JMP Pro の経験豊富なユーザーに向けて、XGBoost は検証列を他の JMP プラットフォームとは少し異なる方法で処理することを指摘したいと思います。
	現時点では一種の実験的なフレームワークですが、私の経験に基づくと、繰り返し K フォールドは非常に魅力的な方法であることがわかりました。そのため、アドインを設定して簡単にできるようにしたいと考えました。
	ここで、ユーティリティで作成したこれらの折りたたみ列を再度入力します。ここで指定しただけで、XGBoost は自動的に繰り返し K 折りたたみを実行します。
	元の分析のように単一のホールドアウトを実行したい場合は、通常どおり設定できますが、列を
	連続的。これは落とし穴です。初期のユーザーの中にはこれにつまずいた人もいたと思いますが、これは他の慣習とは異なるものです。
	JMP Proには他にもXGBoostや予測モデリングルーチンがありますが、私にとってはこれが最もクリーンな方法だと思いました。繰り返しになりますが、推奨される方法は以下を実行することです。
	このようにKフォールドを繰り返すか、少なくとも1回はKフォールドを実行してから「OK」をクリックします。すると、この初期起動ウィンドウが表示されます。
	XGBoostの特徴は、多くのチューニングパラメータが用意されていることです。重要なパラメータはこのボックスにリストされており、自由に調整できます。
	さらに、さらに多くのオプションがあり、それらはこの詳細オプションの下に隠されていることがわかりましたが、今日はそれについて説明する時間がありません。
	しかし、これらは通常、ほとんどの場合、気にする必要がない最も重要なものです。それでは、もう一度実行してみましょう。「Go」ボタンをクリックするだけで、XGBoostが実行されます。
	今、私はシンプルなノートパソコンで作業しています。これは比較的小さなデータセットです。それで、5回繰り返して計算しました。
	わずか数秒で3つの異なる処理を実行できました。XGBoostは非常によく調整されており、大規模なデータセットでも問題なく動作しますが、この小さな例で何が起こったかを見てみましょう。
	さて、この最初に表示されるグラフは、すぐに警告を出すものであることがわかりました。
	ここで見ているのは、反復回数、フィッティング反復回数にわたって、基本的には下げたい損失関数であるトレーニング曲線です。
	実線は検証曲線です。ここで何が起こったかが分かります。数回の反復を経た直後、この曲線は底を打ってしまい、その後状況はさらに悪化しました。
	これは実際にはデフォルトモデルを使うべきではないケースです。XGBoostはすでに過剰適合しており、
	これは、このような小規模なデータ セットでは頻繁に発生するため、調整が必要になります。
	下には他にもたくさんの結果がありますが、繰り返しになりますが、どれも信頼できるとは思えません。この時点で、少し調整が必要になるでしょう。
	今日は少しだけ手動でチューニングをしてみましょう。でも、ぜひ試してみてください。チューニング設計を作成するためのフレームワークを実装しました。
	ここでは、パラメータの範囲を指定して設計空間を検索することができ、ここでも実際に JMP DOE を使用します。
	すでにDOEを2つの異なる方法で使用していますが、どちらも機能を大幅に強化しています。とりあえず、このグラフに基づいて少し手動で調整してみましょう。
	このグラフを拡大してみると、曲線が底を打っているのが分かります。3～4回の反復処理の直後を見てみましょう。ここで簡単にできることの一つは、4ステップでトレーニングを停止することです。
	何が起こるか見てみましょう。ところで、オーバーフィッティングで何が起こったかに注目してください。検証R2は実際にはマイナスで、かなり悪い結果でした。絶対に推奨されるモデルではありません。しかし、この新しいモデルを実行すると、たった4ステップ…たった4ステップで済みます。
	何が起こるか見てみましょう。
	検証R2がかなり良くなりました。0.16くらいまで上がりました。実は、楽しみのために3つ試してみましょう。どうなるか見てみましょう。
	少し悪いですね。これは自由に遊べるタイプのものだとお分かりいただけると思います。私たちは、そうしたやり取りがしやすいように、この対話を設定しようと努めました。
	この表では、モデルの比較が簡単に行えます。列ごとに並べ替えて最適なモデルを見つけ、その下には様々なモデリングの詳細をドリルダウンできるようになっています。
	ここではモデル 2 を使い続けましょう。できることは...
	それを 1 つだけ残して、クリーンアップすることができます...不要なモデルをクリーンアップすると、非表示のモデルが削除されます。
	さて、これで、より詳しく見ていきたいモデルに戻りました。ここで、検証R2が0.17程度であることがわかります。
	つまり、これは実は、ジャイビメが最初に得たものと批評家が得たものの間にあるということを覚えておいてください。
	そして、私はこれをR2のより信頼性の高い尺度とみなします。なぜなら、これは全体で計算されており、実際に15の異なるモデリングを実行したからです。
	3回に分けて5倍にしています。これはそれらの平均です。つまり、モデルのパフォーマンスを示す、より明確で信頼性の高い指標だと思います。
	適合したモデルをスクロールダウンすると、かなり多くの出力があります。繰り返しになりますが、JMPは非常に優れています。統計量の近くにグラフを表示するように常に努めています。
	どちらも何が起こっているかを確認し、それに数字を付けます。これらのグラフは通常どおりライブで、インタラクティブです。
	ご覧のとおり、トレーニングの実際の値と予測値、そして検証値を比較しています。検証値ではほとんどの場合、状況は悪化しますが、それが現実です。
	また、どこでエラーが発生しているかがわかります。これは非常に高いポイントであり、多くの場合、45 度の線になります。
	そのため、高い測定値は…そして高い測定値はすべて過小評価される傾向があり、これはごく普通のことです。このような方法では、縮小しようとする傾向があると思います。
	極端な値を下げて、あくまでも保守的にします。そうすることで、どこでどの程度エラーが発生しているかを正確に把握できます。
	さて、ジェイビメの主な関心事は…彼は主にどの変数が実際に推進しているのかを知ることに興味を持っていました
	この水補正効果です。一番目立つのはPETと呼ばれるものです。
	XGBoostでは変数の重要性を評価する方法が複数あります。ゲインの尺度として、分割回数を直接的に評価する方法があります。
	おそらく最初に試してみるのが一番良いでしょう。これは、特定の変数を分割するたびにモデルがどれだけ改善されるかを示すものです。他に「カバー」と呼ばれるものもあります。
	この場合、3つのうちどれにおいても、このPETが最も重要であることが浮かび上がってきています。つまり、この簡単な分析こそが、これらのデータを活用する上で重要なポイントであるように思われます。
	JMPでは、実際にできることが増えました。モデリングの赤い三角の下に、いくつかの新機能が追加されています。予測値や計算式を保存したり、
	モデル デポまたはフォーミュラ デポに公開して、そこでさらに多くの操作を行うことができます。
	Pythonコードを生成するルーチンも用意されています。これはスコアリングだけでなく、トレーニングとフィッティング全般を実行するものです。これは少し新しい機能ですが、JMP ProからPythonに移行したい方にとって役立つでしょう。ここでは、プロファイラーについて見ていきましょう。
	そして、以前のビデオで友人のブラッド・ジョーンズにちょっと謝罪しなくてはいけません。彼がプロファイラーの発明者であることを明かし忘れていました。
	これは、実際に彼の功績と言える事例ですが、私たちはこれを別の方法で使用しています。つまり、変数の重要性と各変数がどのように機能するかを評価することです。私にとって、これは非常に説得力のあるものです。
	これを見るための枠組みです。チャーリーは…私がそのことを言うとすぐにソファから立ち上がりました。今、私のすぐそばにいます。
	それで、何が起こるか見てみましょう...このPET変数で興味深いのは、重要な瞬間がPETですぐにわかるということです
	1200を超えるあたりで、事態は急激に動き出します。これはプロファイラーの仕組みをよく表しています。
	そして、私が知る限り、これは初めてのことです。これが初めてのことです。これが唯一のソフトウェアです。
	このようなグラフは、統計的な重要性の尺度を超えて、何が起こっているかを正確に示し、解釈するのに役立ちます。
	ブーストツリーモデル。これは分析を行う上で非常に優れた方法だと思いますので、ぜひ試していただきたいです。そして、ぜひご自身のデータで試してみてください。
	それでは別の例に移り、ジャーナルに戻りましょう。
	ご覧の通り、ここにはたくさんのものがあります。当然ながら、全てを確認する時間はありません。
	ただ、時間の関係で、バイナリターゲットの場合に何が起こるかをお見せしたかったのです。先ほど見たのは連続的なターゲットでした。
	そのためには、JMPのサンプルライブラリで入手できる、かなり以前からある古い糖尿病データセットを使用します。このデータセットはJMPのサンプルライブラリと同じデータですが、いくつかの新しいスクリプトで装飾されています。
	ジャーナルをダウンロードすれば、強化版が手に入ります。
	バイナリ順序ターゲットと、覚えているように、この元のY変数から得られた最低と最高の測定値の両方でXGBoostを数回実行しました。
	糖尿病への反応を見ていきます。さらにもう少し踏み込んで、利益マトリックスを使いたい医療現場を想定してみましょう。目標は意思決定です。各人の行動を予測します。
	彼らが高いか低いかは関係ありませんが、よく考えてみると、実際に高い人であれば、賭け金も少し高くなることに気づきました。
	実際の状況に応じて、利益または損失を2倍にすることになります。そしてもちろん、
	これは通常正しい動作方法です...正しい決定はこことここにあります。
	そして、ここには間違った値があります。このようなマトリックスを設定するときは、4 つのセルすべてについて考慮する必要があります。
	では、簡単な例を見てみましょう。これは2倍になるのですが、これに実際の金銭的価値を付与できるかどうかは分かりません。このようなシナリオでは、これはむしろ良いことです。
	誰にも分からないが、おそらくこれらをそれぞれ 1 ビットコインとして、1 ビットコインあたり約 10,000 ドル程度と見なすこともできるだろう。
	あまり重要ではありません。むしろ、私たちは自分たちの状況に基づいて最適な決定を下したいのです。
	予測です。これから分析を行う際に、この利益行列を考慮に入れます。これは実際にはモデルフィッティングの後にのみ行われます。フィッティング自体には直接使用されません。
	ではここでXGBoostを実行します。バイナリターゲットがあります。
	目的関数は、ロジスティック対数損失に変わりました。ここで反映されているのは、ロジスティック対数尤度です。
	ご覧のとおり、バイナリ ターゲットでは、これを評価するために使用するメトリックが少し異なります。
	ただし、お気づきかもしれませんが、先ほど見た利益マトリックスから計算された利益列があります。
	しかし、利益マトリックスをあまり気にせず、単純な2値回帰分析を行いたい場合には、次のような一般的な指標を検討することができます。
	誤分類率の逆である精度だけでなく、F1相関係数やマシューズ相関係数も参考になります。また、特異度と感度のバランスをとるのに役立つROC分析も利用できます。これらはすべて利用可能です。
	さらに詳細に分析することも可能です。私たちがまだ開発中の新機能の一つをご紹介したいと思いますが、意思決定の閾値設定を操作できる機能が追加されました。
	実際にインタラクティブに操作できるようになりました。そして、閾値ごとに利益をプロットする新しい機能も追加しました。
	これは JMP Pro に導入され始めたばかりのまったく新しいグラフであり、これを利用するには最新の JMP 16 早期導入版を入手する必要がありますが、意思決定マトリックスに対応しています...
	あるいは利益マトリックスです。そして私たちが取り組んでいるもう一つのことは、このマトリックスに基づいて最適な閾値を直接導き出せるようにすることです。
	この場合、実際には0.5のままだと思います。つまり、利益の最大化を真の目標とする場合、どのような対策を講じるべきかについて、より深い洞察が得られるということです。
	それ以外の場合は、コンテキストを考慮して特異性と感度のバランスを取ることが必要になる可能性がありますが、ここに表示されている一般的な混同マトリックスと、トレーニングと検証の両方に関するいくつかのグラフがここにあります。
	そして ROC 曲線です。
	変数の重要度に関しても、先ほど見たのと同じ結果が得られます。それでは、プロファイラーをもう一度実行してみましょう。これは実に便利な機能です。
	この場合も便利です。各変数で何が起こっているかを正確に確認できます。
	例えば、ここではLTGとBMIが最も重要な2つの変数であり、どちらも反応が増加するにつれて上昇する傾向があることがわかります。つまり、その関係を直接的に確認できます。実際、ツリー構造では、BMIのように非線形性が生じることがあります。
	それが本当にここで起こっているのかどうかは明らかではありません。もっと多くの分析やモデルを見て、この小さな現象に何か本当に起こっているのかどうか確かめたいかもしれません。
	私たちが目にする隆起です。でも、これらは調べればわかるもので、見ていると本当に楽しくて興味深いものです。
	糖尿病データセットで遊ぶためのツールがここにあります。ジャーナルには他にもたくさんの機能があります。時間の関係で今日は紹介できない例があと2つありますが、XGBoostのドキュメントに詳しく記載されています。
	これは、アドインについて詳細に説明し、2つの例をステップバイステップで解説したPDFドキュメントです。ぜひご覧ください。
	さらに、このジャーナルには、これまでに行われたさまざまな比較もいくつか含まれています。
	ご覧いただいた紫色のマトリックスは、ペンシルベニア大学で行われた研究です。
	一連の機械学習手法を様々なデータセットで比較し、どれが他よりも優れているかを比較する。XGBoost
	最高のモデルとして登場しました。この比較は必ずしも最高というわけではありませんが、平均的にはここに掲載されている他のすべてのモデルよりも優れたパフォーマンスを発揮する傾向がありました。つまり、
	この技術の威力と可能性についてお話しします。他にもいくつかありますが、ここでは触れません。
	このヒルバレーの事例は興味深いですね。木々が全く機能しなかったケースです。一種の病的な状況ですが、何が起こっているのかを理解する上で興味深い研究対象です。
	また、JMP の研究開発部門内ではかなり広範囲にわたるテストを実施しており、その結果の多くは複数の異なるデータ セットにわたってここに掲載されています。
	時間の都合上、これらについては詳しく説明しません。ですが、ぜひご覧になってみてください。私たちの研究結果はすべてこのジャーナルに収録されており、様々なドメインやデータサイズで実験することができます。
	ぜひチェックしてみてください。ちなみに、速さに関する私たちの結論はこの小さなミームにまとめられています。2台の異なる車です。
	実際、これは本当に高速で、CPU の GPU にあるすべてのスレッドを活用するように調整されています。
	WindowsでNVIDIAカードを搭載している場合は、GPUを活用することで、速度が5倍程度向上することもあります。とても楽しいですよ。
	ということで、この辺でチュートリアルを終了させていただきます。重ねてお礼申し上げますが、ぜひチェックしてみてください。本当にありがとうございました。多くの方々に関わっていただき、感謝申し上げます。
	もしかしたら、もしかしたら見落としている人もいるかもしれないと心配していますが、少なくともこれらの方々に感謝の意を表したいと思いました。素晴らしいアーリーアダプターグループができました。
	Marie と Diedrich から非常に素晴らしいフィードバックが提供され、Villanova のこれらの人々は実際にすでに教室で XGBoost を使い始めており、成功を収めています。
	そういうお話を聞けて本当に嬉しかったです。JMPの多くのメンバーが協力してくれています。
	もちろん、これはJMPのインフラストラクチャ全体を基盤として構築されています。そのため、JMP部門全体の協力を得て、いずれはリストアップする必要があるでしょう。この作業はとても楽しかったです。
	そして、様々な点で私に正直でいさせてくれたライフサイエンスチームに感謝したいと思います。彼らは多くの提案をしてくれて助けてくれました。
	LucianoはJMP Genomicsと連携する別のアドインであるXGBoostを実装していますので、JMP Genomicsをお使いの方はぜひそちらもご確認ください。また、予測モデリングフレームワーク内でXGBoostを直接呼び出すこともできます。
	ご清聴ありがとうございました。XGBoost をぜひお試しください。

高度な統計モデリング自動化とスクリプト基本的なデータ分析とモデリング消費者および市場調査コンテンツの編成データアクセスデータの探索と可視化実験計画法マスカスタマイゼーション予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析結果の共有と伝達