Skip to main content
W&B는 여러 유형의 스무딩을 지원합니다: 다음 대화형 W&B 리포트에서 직접 확인해 보세요.

시간 가중 지수 이동 평균(TWEMA) 스무딩 (기본값)

시간 가중 지수 이동 평균(TWEMA) 스무딩 알고리즘은 이전 지점의 가중치를 지수적으로 감소시켜 시계열 데이터를 부드럽게 만드는 기법입니다. 이 기법에 대한 자세한 내용은 Exponential Smoothing을 참조하세요. 범위는 0~1입니다. 시계열의 초기 값이 0으로 치우치지 않도록 디바이어스 항이 추가됩니다. TWEMA 알고리즘은 선 위 점들의 밀도(x축 범위 단위당 y 값의 개수)를 고려합니다. 이를 통해 서로 다른 특성을 가진 여러 선을 동시에 표시할 때도 일관된 스무딩을 적용할 수 있습니다. 다음은 이것이 내부적으로 어떻게 작동하는지 보여주는 예제 코드입니다:
앱에서는 다음과 같이 표시됩니다:

가우시안 스무딩

가우시안 스무딩(또는 가우시안 커널 스무딩)은 점들의 가중 평균을 계산합니다. 이때 가중치는 스무딩 파라미터로 지정한 표준편차를 갖는 가우시안 분포를 따릅니다. 스무딩된 값은 각 입력 x 값마다 계산되며, 해당 값의 앞뒤에 있는 점들을 모두 반영합니다. 다음은 앱에서 어떻게 표시되는지 보여줍니다:

이동 평균 스무딩

이동 평균은 주어진 x 값의 앞뒤 윈도우에 있는 포인트들의 평균으로 해당 포인트를 대체하는 스무딩 알고리즘입니다. 자세한 내용은 Wikipedia의 “Boxcar Filter”를 참조하세요. 이동 평균에 대해 선택한 파라미터는 이동 평균을 계산할 때 고려할 포인트 수를 Weights and Biases에 전달합니다. 포인트 간 간격이 x축에서 고르지 않다면 가우시안 스무딩을 대신 사용하는 것이 좋습니다. 다음은 앱에서 표시되는 모습입니다:

지수 이동 평균(EMA) 스무딩

지수 이동 평균(EMA) 스무딩 알고리즘은 지수 윈도 함수로 시계열 데이터를 스무딩하는 데 사용하는 실용적인 기법입니다. 이 기법에 대한 자세한 내용은 Exponential Smoothing을 참조하세요. 범위는 0~1입니다. 시계열의 초기 값이 0으로 편향되지 않도록 디바이어스 항이 추가됩니다. 많은 경우 EMA 스무딩는 먼저 버킷팅한 다음 스무딩하는 대신, 이력 전체를 스캔한 뒤 적용됩니다. 이렇게 하면 더 정확하게 스무딩되는 경우가 많습니다. 다음과 같은 경우에는 대신 EMA 스무딩가 버킷팅 후에 적용됩니다:
  • 샘플링
  • 그룹화
  • 표현식
  • 비단조 x축
  • 시간 기반 x축
다음은 이 동작이 내부적으로 어떻게 구현되는지 보여주는 예제 코드입니다:
앱에서는 다음과 같이 표시됩니다:

원본 데이터 숨기기

기본적으로 스무딩되지 않은 원본 데이터는 차트 배경에 희미한 선으로 표시됩니다. 이 표시를 끄려면 Show Original을 클릭합니다.