平滑化アルゴリズムは,長期的傾向を維持したままデータセットから周期要素を除去するために頻繁に使用されます。たとえば1か月に一度サンプリングされる時系列データが季節的変動を示すことがよくあります。12か月間の移動平均フィルターを使用すると,長期的傾向を保持したまま季節的要素が除去されます。
あるいは,探索的データ解析の記述モデルの生成に平滑化アルゴリズムを使用することもできます。この手法は,変数セット間の関係を表すパラメーターモデルを指定できない場合によく使用されます。
信号または時系列平滑化手法は,信号処理,システム同定,統計学,計量経済学など幅広い分野で使用されます。
一般的な平滑化アルゴリズムには次のようなものがあります。
- 洛斯と黄土:局所回帰モデルを使用するノンパラメトリック平滑化手法
- カーネル平滑化:滑らかな分布関数をモデル化するためのノンパラメトリックアプローチ
- 平滑化スプライン:曲線近似のノンパラメトリックアプローチ
- 自己回帰移動平均(ARMA)フィルター:データが系列自己相関を示すときに使用されるフィルター
- Hodrick-Prescottフィルター:季節的要素を抽出して計量経済的時系列を平滑化するために使用されるフィルター
- Savitzky-Golay平滑化フィルター:維持する必要のある高周波数情報が信号に含まれる場合に使用されるフィルター
- バタワースフィルター:高周波ノイズを除去するために信号処理で使用されるフィルター
平滑化の詳細については,统计和机器学习工具箱™、曲线拟合工具箱™、计量经济学工具箱™、系统辨识工具箱™,および信号处理工具箱™を参照してください。