매끄러운일반적으로 사용되는 데이터 처리 방법입니다. 통계 및 이미지 처리에서는 일반적으로 데이터의 주요 패턴을 포착하여 노이즈, 구조적 세부 사항 또는 일시적인 현상을 제거하고 데이터 세트를 매끄럽게 하기 위해 근사 함수를 설정합니다.

평활화 과정에서는 신호 데이터 포인트가 수정되어 노이즈로 인해 발생한 개별 데이터 포인트는 낮아지고, 인접 데이터 포인트보다 낮은 데이터 포인트는 높아져 신호가 더 부드러워집니다.

매끄러운 길

데이터 분석에 평활화를 사용하는 데는 두 가지 주요 이유가 있습니다.

• 매끄러움에 대한 가정이 합리적이라면, 데이터로부터 더 많은 정보를 얻을 수 있습니다.
• 유연하고 견고한 분석을 제공하기 위해 평활화를 위한 다양한 알고리즘이 있지만, 데이터 평활화는 일반적으로 밀도 추정과 히스토그램을 사용하여 수행됩니다.

평활화 알고리즘

• 이동 평균: 반복적인 통계 조사에서 중요한 추세를 파악하는 데 자주 사용됩니다. 이미지 처리 및 컴퓨터 비전에서는 평활화가 스케일 공간 표현에 사용됩니다.
• 직사각형 평활화/무가중치 평활화: 신호의 점을 m개의 연결된 점의 평균으로 대체합니다. 여기서 m은 "평활화 폭"이라고 하는 양의 정수이며, 일반적으로 홀수입니다.

평활화의 특정 응용 프로그램

• 가산적 평활화
• 굿-튜링 추정
• Jelinek-Mercer 평활화(보간)
• Katz 스무딩(백오프)
• Witten-Bell 평활화
• 절대 할인
• 크네서-네이 스무딩