> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.
> 선형 플롯에서 스무딩을 사용하여 노이즈가 있는 데이터의 추세를 확인하세요.
# 선형 플롯 스무딩
스무딩은 포인트 간 변동을 줄여 노이즈가 있는 선형 플롯에서 추세를 파악하는 데 도움이 되며, 기본 신호를 더 쉽게 읽을 수 있게 만듭니다. 이 페이지에서는 W\&B가 지원하는 스무딩 알고리즘, 각 알고리즘이 가장 유용한 경우, 원본 데이터의 가시성을 제어하는 방법을 설명합니다.
W\&B는 다음과 같은 여러 유형의 스무딩을 지원합니다:
* [시간 가중 지수 이동 평균(TWEMA) 스무딩](#time-weighted-exponential-moving-average-twema-smoothing-default)
* [가우시안 스무딩](#gaussian-smoothing)
* [러닝 평균](#running-average-smoothing)
* [지수 이동 평균(EMA) 스무딩](#exponential-moving-average-ema-smoothing)
이러한 알고리즘을 실제 데이터에 적용한 예를 보려면 이 [대화형 W\&B 리포트](https://forge.coreweave.com/wandb/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc)를 참조하세요.
시간 가중 지수 이동 평균(TWEMA) 스무딩(기본값)
시간 가중 지수 이동 평균(TWEMA) 스무딩 알고리즘은 이전 points의 가중치를 지수적으로 감쇠시켜 시계열 데이터를 스무딩하는 기법입니다. 이 기법에 대한 자세한 내용은 [지수 스무딩](https://www.wikiwand.com/en/Exponential_smoothing)을 참조하세요. 범위는 0에서 1입니다. 시계열의 초기 값이 0으로 편향되지 않도록 편향 제거 항이 추가됩니다.
TWEMA 알고리즘은 선 위 points의 밀도(x축 범위 단위당 `y` 값의 수)를 고려합니다. 이를 통해 특성이 다른 여러 선을 동시에 표시할 때 일관된 스무딩이 가능합니다.
다음 샘플 코드는 내부에서 이 알고리즘이 어떻게 작동하는지 보여줍니다:
```javascript theme={"system"}
const smoothingWeight = Math.min(Math.sqrt(smoothingParam || 0), 0.999);
let lastY = yValues.length > 0 ? 0 : NaN;
let debiasWeight = 0;
return yValues.map((yPoint, index) => {
const prevX = index > 0 ? index - 1 : 0;
// VIEWPORT_SCALE는 결과를 차트의 x축 범위로 조정합니다
const changeInX =
((xValues[index] - xValues[prevX]) / rangeOfX) * VIEWPORT_SCALE;
const smoothingWeightAdj = Math.pow(smoothingWeight, changeInX);
lastY = lastY * smoothingWeightAdj + yPoint;
debiasWeight = debiasWeight * smoothingWeightAdj + 1;
return lastY / debiasWeight;
});
```
이 알고리즘을 live data에 적용한 것을 보려면 [TWEMA section of the 대화형 W\&B 리포트](https://forge.coreweave.com/wandb/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc)를 참조하세요.
가우시안 스무딩
가우시안 스무딩(또는 가우시안 커널 스무딩)은 point의 가중 평균을 계산하며, 가중치는 스무딩 매개변수로 지정된 표준 편차를 가진 가우시안 분포에 해당합니다. W\&B는 모든 입력 `x` 값에 대해, 그 앞과 뒤에 있는 point를 기반으로 스무딩된 값을 계산합니다.
live data에 이 알고리즘이 적용된 예를 보려면 [대화형 W\&B 리포트의 가우시안 스무딩 section](https://forge.coreweave.com/wandb/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc#3.-gaussian-smoothing)을 참조하세요.
러닝 평균 스무딩
러닝 평균은 `x` 값 전후의 윈도우 내 points 평균으로 point를 대체하는 스무딩 알고리즘입니다. ["Boxcar Filter" on Wikipedia](https://en.wikipedia.org/wiki/Moving_average)를 참조하세요. 러닝 평균에 대해 선택된 매개변수는 moving average에서 고려할 points 수를 지정합니다.
points가 x축에서 고르지 않게 배치된 경우, point 밀도가 달라질 때 고정 너비 윈도우가 오해의 소지가 있는 평균을 생성할 수 있으므로 가우시안 스무딩을 대신 사용하세요.
이 알고리즘이 live data에 적용된 것을 보려면 [대화형 W\&B 리포트의 러닝 평균 section](https://forge.coreweave.com/wandb/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc#4.-running-average)을 참조하세요.
지수 이동 평균(EMA) 스무딩
지수 이동 평균(EMA) 스무딩 알고리즘은 지수 윈도우 함수를 사용하여 시계열 데이터를 스무딩하는 휴리스틱 기법입니다. 이 기법에 대한 자세한 내용은 [지수 스무딩](https://www.wikiwand.com/en/Exponential_smoothing)을 참조하세요. 범위는 0에서 1입니다. 편향 제거 항이 추가되어 시계열의 초기 값이 0으로 편향되지 않도록 합니다.
대부분의 경우 EMA 스무딩은 먼저 버킷팅을 수행한 후 스무딩하는 대신 전체 이력 스캔에 적용됩니다. 이는 일반적으로 더 정확한 스무딩을 생성합니다.
다음 상황에서는 대신 버킷팅 후에 EMA 스무딩이 적용됩니다:
* 샘플링
* 그룹화
* 표현식
* 단조롭지 않은 x축
* 시간 기반 x축
다음 샘플 코드는 내부에서 어떻게 작동하는지 보여줍니다:
```javascript theme={"system"}
data.forEach(d => {
const nextVal = d;
last = last * smoothingWeight + (1 - smoothingWeight) * nextVal;
numAccum++;
debiasWeight = 1.0 - Math.pow(smoothingWeight, numAccum);
smoothedData.push(last / debiasWeight);
```
실시간 데이터에 이 알고리즘을 적용한 예를 보려면 [대화형 W\&B 리포트의 EMA 섹션](https://forge.coreweave.com/wandb/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc)을 참조하세요.
원본 데이터 숨기기
스무딩된 선을 원시 데이터와 비교하여 스무딩이 시그널을 얼마나 공격적으로 변경하는지 판단하세요. 기본적으로 원본 스무딩되지 않은 데이터가 플롯 배경에 희미한 선으로 표시됩니다. **Show Original**을 클릭하여 이 기능을 끄세요.
