2. 実験設計

• CV: RepeatedStratifiedKFold、5分割 × 5反復（random_state=42）。
• モデル: logistic_regression、random_forest、xgboost。
• サンプリング手法: none、class_weight_balanced、smote、smotenc、borderline_smote、adasyn、gaussian_copula、ctgan、tvae。
• サンプリング比率: [1.0]（データ拡張後の少数クラス/多数クラス）。
• リーク防止: 補完、エンコーディング、スケーリング、リサンプリング、合成生成はすべて各学習fold内でのみフィットし、テストfoldには一切触れない。合成器は学習foldでフィットし、モデル間で再利用する（モデルごとに再フィットしない）。

3. 主要な結果

主要指標: PR-AUC（Average Precision） — 少数クラスを正例とするタスクに適切。

平均 PR-AUC による総合ランキング（モデル平均、ratio=1.0）:

指標別の最良（method, model）:

PR-AUC による最良:

Balanced Accuracy による最良:

Brier スコアによる最良（低いほど良い）:

Recall@Precision≥0.80 による最良:

図: pr_auc_boxplot.png、roc_auc_boxplot.png、brier_score_boxplot.png、balanced_accuracy_boxplot.png、topk_precision.png。

4. SMOTE と合成生成の比較

参照となる SMOTE の平均 PR-AUC = 0.831。手法別の平均 PR-AUC:

• smote: 0.831（SMOTE比 +0.000）
• smotenc: 0.843（SMOTE比 +0.012）
• borderline_smote: 0.828（SMOTE比 -0.003）
• adasyn: 0.830（SMOTE比 -0.001）
• gaussian_copula: 0.820（SMOTE比 -0.011）
• ctgan: 0.782（SMOTE比 -0.048）
• tvae: 0.854（SMOTE比 +0.023）

SMOTE とのペア比較（Wilcoxon 符号順位検定、fold単位、PR-AUC）:

CV の fold は完全には独立ではない。p値は確証的なものではなく、あくまで参考として扱うこと。

• データ拡張が合成行を生成しなかった fold（スキップ/失敗）: fold_metrics.csv（n_synthetic=0 の行）を参照。

5. 合成データの品質

忠実度(fidelity)（SDMetrics、少数クラス合成 vs 少数クラス実データ、fold 0）:

プライバシー / 記憶（メモライゼーション）の代理指標（正式な保証ではない）:

図: nn_distance_distribution.png（最近傍実レコードまでの距離の分布）。

6. 確率校正（キャリブレーション）

Brier スコアと ECE は各 fold の生のモデル確率に対して計算される（主要な結果 / boxplot を参照）。手法別の信頼性曲線は calibration_curves.png にある。確率はさらに、学習fold内でフィットした Platt スケーリング / 等調回帰（isotonic regression）で再校正できる（cad_synth.calibration.compare_calibration）。

手法の解説

本実験で比較する各データ拡張／合成生成手法について、概要・仕組み・長所・注意点・参考URLをまとめる。
実装は src/cad_synth/samplers.py（無拡張・SMOTE 系）と src/cad_synth/synthesizers.py（SDV 合成生成）にある。
いずれも各 training fold 内でのみ fit し、少数クラスを目標比率（sampling_ratio）まで拡張する。

記法: 「少数クラス」= 本データでは Normal（正例）。SMOTE 系の近傍数 k は、少数クラスのサンプル数が少ない fold では自動的に縮小される（k = min(5, n_minority − 1)）。

無拡張・ベースライン

none（無拡張）

• 概要: リサンプリングを一切行わず、元の不均衡データでそのまま学習するベースライン。
• 仕組み: 恒等変換（X, y をそのまま返す）。他手法が「無拡張に対して本当に改善するのか」を測る基準線。
• 長所: バイアスや記憶（メモライゼーション）リスクがなく、最も安全。データが元々分離可能なら十分競争力がある。
• 注意点: 少数クラスの再現率が低くなりやすい。分類器の閾値調整と併用するのが実務的。
• 参考: imbalanced-learn: 不均衡データの概説

class_weight_balanced（クラス重み調整）

• 概要: データは拡張せず、分類器側でクラスの重みを不均衡比に応じて調整する（class_weight='balanced'）。
• 仕組み: 損失関数において少数クラスの誤分類ペナルティを n_samples / (n_classes × n_class) で重み付け。本実装では拡張器は恒等で、ランナーが分類器に class_weight='balanced' を設定する。
• 長所: 合成行を作らないため記憶リスクゼロ。実装が単純で計算コストも低い。
• 注意点: 重みに対応した分類器（ロジスティック回帰・RF・SVM 等）でのみ有効。確率校正が崩れることがある。
• 参考: scikit-learn: class_weight（用語集）

SMOTE 系（オーバーサンプリング）

いずれも少数クラスのサンプル空間を補間・複製して増やす手法。混在型データでは、素の SMOTE がカテゴリ/二値列を小数に補間してしまうため、型の扱いが重要（smotenc 参照）。本実装ではカテゴリ列を整数エンコードして処理し、生成後に最近傍カテゴリへ復元する。

random_oversampling（ランダムオーバーサンプリング）

• 概要: 少数クラスの既存サンプルを復元抽出で単純複製して数を揃える。
• 仕組み: 新しい点は作らず、既存の少数クラス行をランダムに重複させる（RandomOverSampler）。
• 長所: 型を問わず安全（実在する行のみ）。高速で、SMOTE 系の下限ベースラインとして有用。
• 注意点: 完全な重複を増やすため、過学習を招きやすい。多様性は増えない。
• 参考: imbalanced-learn: RandomOverSampler

smote（SMOTE）

• 概要: 少数クラスの各点と、その k 近傍の少数クラス点との間を線形補間して合成点を作る（Chawla ら, 2002）。
• 仕組み: 少数点 x と近傍 x_nn に対し x_new = x + λ(x_nn − x)（λ∈[0,1]）。特徴空間はユークリッド距離を仮定。
• 長所: 単純複製より多様性が高く、決定境界を滑らかにする。不均衡学習の事実上の標準。
• 注意点: 連続特徴量を前提とするため、カテゴリ/二値列には不適（小数を生成）。外れ値やクラス重複領域にノイズを生みやすい。
• 参考: Chawla ら (2002) JAIR ・ imbalanced-learn: SMOTE

smotenc（SMOTE-NC）

• 概要: 数値とカテゴリが混在するデータ向けの SMOTE（SMOTE for Nominal and Continuous）。
• 仕組み: 距離計算でカテゴリ列を特別扱いし、合成点のカテゴリ値は近傍間の最頻値で決める（連続列のみ補間）。本実装ではカテゴリ列インデックスを categorical_features に渡す（カテゴリ列が無い fold では素の SMOTE にフォールバック）。
• 長所: 二値フラグやカテゴリを {0,1}/実在カテゴリに保てる。混在型データで最も「安全な実質改善」になりやすい。
• 注意点: カテゴリ列の型宣言が必須。高カーディナリティのカテゴリでは効果が薄れる。
• 参考: imbalanced-learn: SMOTENC ・ Chawla ら (2002) §6.1

borderline_smote（Borderline-SMOTE）

• 概要: 決定境界付近の少数クラス点に絞って合成する SMOTE 変種（Han ら, 2005）。
• 仕組み: 各少数点の近傍における多数クラス比率から「境界（danger）」点を特定し、その点のみを補間対象にする（本実装は m_neighbors で危険度を判定）。
• 長所: 分類が難しい境界領域を重点的に補強するため、境界付近の判別が改善しうる。
• 注意点: 境界がノイズを含む場合、逆にノイズを増幅する。安全領域内の少数構造は補強されない。
• 参考: Han, Wang, Mao (2005) ・ imbalanced-learn: BorderlineSMOTE

svm_smote（SVM-SMOTE）

• 概要: SVM のサポートベクターを使って境界付近の少数点を選び、そこから合成する SMOTE 変種（Nguyen ら, 2011）。
• 仕組み: SVM を学習し、少数クラスのサポートベクター近傍で補間/外挿して合成点を生成する。
• 長所: SVM が捉えた決定境界に沿って合成するため、Borderline-SMOTE と同様に境界を重点補強できる。
• 注意点: SVM の学習コストが加わる。少数サンプルが極端に少ないとサポートベクターが不安定。
• 参考: Nguyen, Cooper, Kamei (2011) ・ imbalanced-learn: SVMSMOTE

adasyn（ADASYN）

• 概要: 学習が難しい少数点ほど多く合成する適応的オーバーサンプリング（He ら, 2008）。
• 仕組み: 各少数点の近傍に含まれる多数クラス比率に比例して、生成数を配分する。密度分布を適応的に補正。
• 長所: 判別が難しい領域を自動的に厚くする。境界の学習を助ける。
• 注意点: 外れ値やノイズ点を「難しい」とみなして過剰生成することがある。生成数がデータ依存で変動する。
• 参考: He, Bai, Garcia, Li (2008) IJCNN ・ imbalanced-learn: ADASYN

smote_tomek（SMOTE + Tomek links）

• 概要: SMOTE で過剰サンプリングした後、Tomek リンクでクラス境界の重複点を除去するハイブリッド（Batista ら, 2004）。
• 仕組み: SMOTE 生成 → 互いに最近傍でクラスが異なるペア（Tomek link）を検出し、その多数側（または両方）を削除して境界を明確化。
• 長所: SMOTE の多様性に加え、境界のクリーニングでノイズを低減できる。
• 注意点: クリーニングで有用な境界サンプルも消えることがある。計算量が増える。
• 参考: Batista, Prati, Monard (2004) SIGKDD Explorations ・ imbalanced-learn: SMOTETomek

smote_enn（SMOTE + ENN）

• 概要: SMOTE の後、Edited Nearest Neighbours（ENN）でより積極的に誤分類近傍を除去するハイブリッド（Batista ら, 2004）。
• 仕組み: SMOTE 生成 → 各点について近傍多数決と一致しない点を削除。Tomek より強いクリーニング。
• 長所: 境界のノイズ除去が強力で、クラス重複が大きいデータで有効なことがある。
• 注意点: 削除が過剰になり、少数クラスの正例まで消える場合がある。データが小さいと不安定。
• 参考: Batista, Prati, Monard (2004) SIGKDD Explorations ・ imbalanced-learn: SMOTEENN

合成データ生成（SDV）

X_train + y_train の同時分布を生成モデルで学習し、少数クラスの行を条件付き/棄却サンプリングで生成する。SMOTE 系の局所補間と異なり、データ全体の分布・相関を学習する点が特徴。本実装では fold ごとに1回学習し、複数モデル間で再利用する。

gaussian_copula（Gaussian Copula）

• 概要: 各列の周辺分布と、列間の相関構造（コピュラ）を分離して学習する統計的生成モデル。
• 仕組み: 各特徴量を周辺分布で正規空間に変換し、多変量正規コピュラで相関を表現してサンプリング（Sklar の定理）。深層学習を用いない軽量モデル。
• 長所: 小規模データでも安定。学習が高速で、重複を作りにくく、プライバシー代理指標（DCR）が高くなりやすい（=最も「正直」）。
• 注意点: 線形相関中心のため、複雑な非線形依存や多峰性は捉えにくい。
• 参考: SDV: GaussianCopulaSynthesizer

ctgan（CTGAN）

• 概要: 表形式データ向けの条件付き GAN（Xu ら, 2019）。
• 仕組み: mode-specific normalization で連続列の多峰性を扱い、training-by-sampling でカテゴリの不均衡に対処。生成器と識別器を敵対的に学習（本実装 epochs=150, batch_size=60）。
• 長所: 非線形な特徴量依存や複雑な分布を表現できる可能性がある。
• 注意点: データ量を要求する。n が小さいと学習が不安定でモード崩壊しやすく、本実験（n=303）では最下位になった。
• 参考: Xu ら (2019) NeurIPS "Modeling Tabular Data using Conditional GAN" ・ SDV: CTGANSynthesizer

tvae（TVAE）

• 概要: 表形式データ向けの変分オートエンコーダ（VAE）（Xu ら, 2019、CTGAN と同論文）。
• 仕組み: エンコーダ/デコーダで潜在変数を学習し、潜在空間からサンプリングして生成（本実装 epochs=150, batch_size=60）。
• 長所: GAN より学習が安定しやすく、忠実度・有用性ともに高くなりやすい。本実験では PR-AUC 最良。
• 注意点: 小規模データでは実レコードを「記憶」しやすい。本実験では合成行の DCR が最小・カテゴリ準重複が多く、見かけの利得が記憶で水増しされている可能性がある（結果タブ参照）。
• 参考: Xu ら (2019) NeurIPS "Modeling Tabular Data using Conditional GAN" ・ SDV: TVAESynthesizer

7. 解釈

• 結果パターン: B — CTGAN / TVAE が SMOTE を上回る。

非線形な特徴量依存を生成モデルが捉えた可能性がある。ただし、小規模データでの記憶リスクを追加評価する必要がある。

• PR-AUC による最良手法: tvae（0.854）。SMOTE = 0.831。
• 合成生成が有効だったかどうか: 上記の手法別デルタを比較する。信頼区間が重なる範囲に収まる数千分の一 PR-AUC 程度の改善は、n=303 では信頼できる差ではないと読むべきである。
• 安定性: 反復 CV では、信頼区間が SMOTE の平均を含まない手法を優先する。

8. 制約

• 小規模データセット（n=303）: 深層生成モデル（CTGAN/TVAE）はデータ不足に陥る。結果は慎重に扱い、重複 / 最近傍リスクを点検すべきである。
• クラス方向: 少数クラスは CAD ではなく Normal である。Normal のオーバーサンプリングは CAD 検出の感度を直接改善するものではない。
• 正式なプライバシー保証はない。プライバシー指標はあくまで代理指標である。
• 公開ベンチマークのみを対象としており、診断的妥当性・臨床的有用性・実運用可能性に関するいかなる主張も行わない。

9. 今後のステップ

• configs/full.yaml を実行する（5×20 CV、LightGBM・SVM を含む全手法/全モデルのグリッド）。
• Borderline-SMOTE/SVM-SMOTE のデルタと比率別スイープ（0.5 / 0.75 / 1.0）を追加する。
• TabDDPM（任意）を追加し、同一 fold 上で拡散モデルと copula を比較する。
• 感度分析として cad_positive 方向を評価する。

エンジニアリング / 前処理ノート

本ドキュメントは、実験パイプラインのエンジニアリングおよび前処理の詳細を、再現性・実装レベルの理解を求める読者に向けて説明するものである。記載内容はすべてリポジトリのソース（src/cad_synth/preprocessing.py, README.md, configs/report.yaml, SPEC.md）に基づく。

1. パイプライン全体像

エンドツーエンドの処理は以下の流れで進む。

• データ読み込み — src/cad_synth/data.py が data/raw/ のローカルスナップショット（z_alizadeh_sani.xlsx/.csv）を優先し、なければ ucimlrepo.fetch_ucirepo(id=412) を試行する。
• 特徴量型判定 — detect_feature_types により、各カラムを数値/カテゴリ/削除に分類する（§2）。
• fold 分割 — RepeatedStratifiedKFold（5×5, random_state=42）で層化交差検証の fold を生成する。
• fold 内前処理 — build_preprocessor が生成する ColumnTransformer を、各 training fold 内でのみ fit する（§3）。
• リサンプリング/合成 — SMOTE 系または SDV 合成生成器を training fold 内で適用し、少数クラスを拡張する（§5）。
• 学習 — 拡張後の training データで分類器を学習する。
• 評価 — 一切拡張・前処理の学習に使われていない test fold で評価する。

重要: fold 分割以降のあらゆる処理（補完・エンコーディング・スケーリング・リサンプリング・合成・閾値調整・校正）は、各 training fold の内側でのみ fit される。CV split より前に全データへ適用することはない（§4）。

2. 特徴量型の自動判定

detect_feature_types(X, max_categorical_cardinality=12) は各カラムを次のルールで分類する。

• 削除: ユニーク値が1以下（分散ゼロ）のカラムは削除する（例: Exertional CP）。
• カテゴリ: 非数値（文字列）のカラム。または、数値であっても低カーディナリティかつ整数コード化されたカラム（ユニーク値が max_categorical_cardinality（=12）以下で、値がすべて整数）。
• 数値: 上記に該当しない数値カラム。

なぜこの判定が必要か:

• DM/HTN のような二値フラグは値を {0,1} に保つ必要がある。
• これらを数値として扱うと、素の SMOTE が補間して小数値を生成してしまう。
• 同様に SDV は連続値としてモデル化してしまう。
• したがって、意味的にカテゴリなものは明示的にカテゴリとして宣言する。

結果: 数値 20 / カテゴリ 34 / 削除 1。

3. 前処理パイプライン（モデル別）

build_preprocessor(model_name, schema) は、モデルの系統に応じた未 fit の ColumnTransformer を返す。

• ツリー系モデル（random_forest, xgboost）:
  • 数値: SimpleImputer(strategy="median") による中央値補完。
  • カテゴリ: SimpleImputer(strategy="most_frequent")（最頻値補完）+ OneHotEncoder(handle_unknown='ignore')。
• スケーリング系モデル（logistic_regression, svm_rbf）:
  • 上記に加えて、数値に StandardScaler を適用する。
• ColumnTransformer は remainder='drop' を指定し、変換対象外のカラムは破棄する。

補完は中央値/最頻値で行うが、本データセットは実質的に完全（欠損なし）であるため、補完はセーフティネットとして機能する。

4. リーク防止（設計上の保証）

• 補完・エンコーディング・スケーリング・リサンプリング・合成生成・閾値調整・確率校正は、すべて各 training fold 内でのみ fit する。
• test fold は、拡張・前処理の学習に一切使用されない。
• 合成生成器（synthesizer）は fold ごとに1回学習し、その fold 内の複数モデル間で再利用する（モデルごとに再学習しない）。
• 交差検証は RepeatedStratifiedKFold（5分割 × 5反復, random_state=42）。

5. 合成データ生成の設定

SDV 合成生成器:

• gaussian_copula — 古典的な統計モデル。
• ctgan — epochs=150, batch_size=60。
• tvae — epochs=150, batch_size=60。
• 生成の試行上限は max_sample_attempts=20。

SMOTE 系:

• smote, smotenc（混在型を認識）, borderline_smote, adasyn。

共通設定:

• サンプリング比率は 1.0（少数クラスを多数クラスと同数まで拡張してバランスさせる）。
• 合成生成器は少数クラスの行のみを生成する。

6. 再現性と実行

• 環境は uv + pyproject.toml + uv.lock により完全に固定される。
• random_state=42 により fold 分割・生成を固定。

主なコマンド:

uv sync --extra dev
uv run python experiments/run_experiment.py --config configs/report.yaml   # 約20分
uv run python experiments/build_report_html.py

出力レイアウト（outputs/ 配下）:

• metrics/ — fold_metrics.csv, aggregate_metrics.csv, method_model_summary.csv, statistical_tests.csv, synthetic_quality.csv, fold_predictions.csv。
• figures/ — 各種箱ひげ図・EDA 図。
• synthetic_samples/ — fold_0_<method>_r1.0.csv。
• reports/ — experiment_report.md, data_profile.md, experiment_report.html。

7. 技術スタック

• Python。
• scikit-learn — Pipeline / ColumnTransformer / SimpleImputer / OneHotEncoder / StandardScaler、および RepeatedStratifiedKFold。
• imbalanced-learn — SMOTE 系（smote, smotenc, borderline_smote, adasyn）。
• SDV — 合成生成器（gaussian_copula, ctgan, tvae）。
• SDMetrics — 合成データの忠実度（fidelity）評価。
• scipy — 統計比較（Wilcoxon）。
• matplotlib — 図の生成。
• pandas / numpy — データ操作。
• uv — 環境管理。

データプロファイル — Z-Alizadeh Sani CAD データセット

ソース: data/raw/z_alizadeh_sani.xlsx · 患者数: 303 · カラム数: 56（55特徴量 + ターゲット Cath）
欠損値: 0（データセットは完全に揃っており、補完は不要）。

1. 構造とカラム型

• 形状: 303行 × 56列。
• 読み込み時の dtype: 22列が object（文字列）、34列が数値（int64/float64）。
• モデリングにあたり、カラムは以下に分類される。
  • 連続数値（21）: Age, Weight, Length, BMI, BP, PR, FBS, CR, TG, LDL, HDL, BUN, ESR, HB, K, Na, WBC, Lymph, Neut, PLT, EF-TTE。
  • カテゴリ/二値（34）: 22列の文字列カラム（Sex, Obesity, CRF, CVA, Airway disease, Thyroid Disease, CHF, DLP, Dyspnea, Atypical, Nonanginal, Exertional CP, LowTH Ang, VHD, BBB, murmurs, LVH など）に加え、11列の整数コード化された二値フラグ（DM, HTN, Current Smoker, EX-Smoker, FH, Edema, Typical Chest Pain, Q Wave, St Elevation, St Depression, Tinversion）。Function Class（0–3）と Region RWMA（0–4）は低カーディナリティの順序整数であり、VHD と BBB は多水準の文字列である。

これらの整数コード化された二値フラグは、dtype としては数値だが意味的にはカテゴリであり、値を {0,1} に保つため、あらゆる SMOTE/合成生成パイプラインではカテゴリとして明示する必要がある。

2. ターゲット分布と不均衡

不均衡比 ≈ 2.48 : 1（Cad : Normal）。Normal は少数クラスであり、下流の実験では正例として扱われる。これがオーバーサンプリング/合成によって拡張すべきクラスである。

3. クラス別の主要な数値特徴量

全体の平均 ± 標準偏差、続いてクラス別、そして Cohen's d（Cad − Normal）。|d| > 0.5 はおよそ中程度の分離を意味する。

最も分離のよい数値特徴量: Age（Cad 患者は約8歳年上）、低い EF-TTE（Cad では駆出率（EF）の低下）、高い BP、そして高い FBS/ESR。LDL, HDL, HB, BMI はクラス間でほとんど分離しない。

4. クラス別の主要なカテゴリ/二値特徴量

全体および各クラス内での陽性率（% positive）。

最も分離のよいカテゴリ特徴量: Typical Chest Pain（Cad で71%に対し Normal で12%）と Region RWMA > 0（38% 対 5%）は、データセット中で群を抜いて識別力の高い単一特徴量である。DM と HTN も Cad で顕著に多い。Sex, 喫煙, 家族歴は分離が弱い。

5. 数値相関

大半の数値特徴量は相関が弱い。|r| ≥ 0.4 のペア:

Lymph/Neut はほぼ完全な負の相関を示し（両者は合計がおよそ100%になる相補的な白血球分画のパーセンテージである）、Weight/BMI は機構的に連動している（BMI は Weight と Length から導出される）。これらの冗長性は、相関を考慮する合成生成器や特徴量リークの回避において重要である。eda_correlation_heatmap.png を参照。

6. SMOTE / 合成生成に向けたデータ品質メモ

• 混在する特徴量型。 22列の文字列カテゴリ + 11列の整数コード化二値 + 低カーディナリティの順序変数（Function Class, Region RWMA, VHD, BBB）が連続値の検査値と混在する。素の SMOTE は連続なユークリッド空間を仮定するため、SMOTE-NC（またはカテゴリを認識できる合成生成器）を用いない限り、二値/カテゴリのカラムに小数値を補間してしまう。カテゴリのカラムは明示的にエンコードして宣言すること。
• 定数カラムが1つ: Exertional CP は100%が 'N' であり、分散がゼロで削除すべきである（情報を持たず、一部の指標を破綻させる）。
• 準定数に近いカラムが複数（1つの値が≥97%）: CRF, CVA, Thyroid Disease, CHF（99.7%）, Weak Peripheral Pulse, Diastolic Murmur, LowTH Ang（99.3%）, Poor R Progression。これらの稀な二値変数は、少数クラスを合成する際に忠実に再現するのが難しく、見かけ上の忠実度を過大に見せることがある。多数派の値へのモード崩壊に注意する。
• 歪んだ/裾の重い検査値と外れ値（IQR ルール）: TG（外れ値16件, 最大1050）, FBS（30件, 最大400）, Na（15件, 最大156）, ESR, PLT（最大742）, WBC（最大18000）。生成器は非現実的な合成値を避けるため、これらを制約するか対数処理する必要があるかもしれない。SMOTE の補間はサンプルをこれらの極値へ引き寄せる。
• 機構的な冗長性: Weight/Length/BMI と Lymph/Neut は導出可能な関係を符号化している。これらに反する合成サンプル（例: Weight/Length と矛盾する BMI）は、手軽な忠実度チェックになる。
• 欠損データなしであるため、生成器や SMOTE に補完ステップは不要である。実データとの差異は補完ノイズではなく、純粋に生成モデルに由来する。

図

• outputs/figures/eda_target_distribution.png — クラス数と不均衡。
• outputs/figures/eda_numeric_by_class.png — クラス別に分割した主要な数値特徴量10件の箱ひげ図。
• outputs/figures/eda_correlation_heatmap.png — 数値相関行列。

図

実験によって生成されたすべての図を、インラインで埋め込んで一覧表示します。