久しぶりに機械設計ネタを。 曲げ応力諸元 歯数 z - モジュール [mm] m (m = d/z) d : 基準ピッチ円直径 円周ピッチ [mm] t t = πm 歯幅 [mm] b かみあい歯幅 etc 入力される接線荷重 [N] Ft ※接線方向 Lewis による曲げ応力 σ Lewis によれば接線荷重 Ft が…

PRML（パターン認識と機械学習 上）の実装 その6。プログラミングの上でちょっとスマートに書くために以下の計算をしている。とおくと、 と書けるので行列inv_matSを求める際に使用した。また、とおくと、 と書けるのでこれのdiagonal()によって分散が算出さ…

PRML（パターン認識と機械学習 上）の実装 その5。正則化係数が RMS error に対しどういった効果を持っているかを可視化する。 題材 PRML 上巻 1章 図1.8 コード 出力結果

PRML（パターン認識と機械学習 上）の実装 その4。正則化項を入れた場合の（多項式に対する）最小自乗法によって overfitting が軽減することを確認。正則化していない場合も追加した。 ここでは§3.1.4と同じように行列形式にして最小二乗法を実行する。 num…

PRML（パターン認識と機械学習 上）の実装 その3。 しばらく同じような内容ばかりだが Python の練習と思って地道にやっていく。9次多項式を異なるデータ点にに対して最小二乗法で当てはめたものの比較。 overfitting が軽減することを確認。 特に言及するこ…

PRML（パターン認識と機械学習 上）の実装 その2。Fig1.4 での過程で得られた RMS error（root-mean-square error）が 多項式次数 M に対しどう依存するかをグラフにしたもの。 なお、今回の結果のみでは M = 3～8 のどれを選べばいいのか？*1までは議論でき…

PRML（パターン認識と機械学習 上）の実装 その1。お馴染み多項式フィッティングで training set に強く影響された overfitting を体感する。 行列演算に落として基底を変えた際に対応できるような形式にする（§3.1.1参照）のも アリだが今回は演習1.1の通り…