【机器学习300问】80、指数加权平均数是什么？

严格讲指数加权平均数并不是机器学习中的专有知识，但他是诸多梯度下降优化算法的基础，所有我打算专门写一篇文章来介绍这种计算平均数的方法。还是老规矩，首先给大家来两个例子感受一下什么是指数加权平均数。

一、两个例子感性理解什么是指数加权平均数

（1）记录体重平均值

假设你每天都在记录你的体重，想要了解一段时间内的体重变化趋势。传统的平均方法会把所有天数的体重加起来再除以天数，得到一个“平均水平”。但这种方法忽略了最近体重变化的重要性。

指数加权平均就像是给你的体重记录本添上了一个“记忆偏好”。它更看重最近的数据，对过去的数据给予逐渐减小的重视。就像是你在回顾体重记录时，对于昨天的体重记得很清楚，上周的体重记忆就开始模糊了，而一个月前的体重就只留下个大概印象。

（2）拍照动态模糊

假设你拿着一个相机在拍摄一段长时间的动态场景，如果你希望既能捕捉到最近发生的动作，又不完全丢弃过去的画面，你可能会选择使用一个“动态模糊”效果。在这个效果下，最近的画面是清晰的，而过去的且渐趋远去的画面则越来越模糊。

二、指数加权平均数的定义

指数加权平均数（Exponential Weighted Moving Average，EWMA）在数学上是这样定义的。设 $v_t$ 为在时间点 $t$ 的指数加权平均数，而 $x_t$ 为在时间点 $t$ 的实际值。EWMA通过以下递归公式计算得出：

$v_t = \beta \cdot v_{t-1} + (1 - \beta) \cdot x_t$

在这个公式中：

符号	描述
$\beta$	一个介于 0 和 1 之间的权重衰减因子（也称为平滑因子），它决定了过去观测值的影响程度。 $\beta$ 越接近 1，之前所有数值的影响就越“长命”，平均数就越平滑； $\beta$ 越小，之前数值的影响就迅速减少，使得EWMA对最近的变化更加敏感。
$v_{t-1}$	前一时刻的EWMA值。
$x_t$	当前时刻 $t$ 的实际数值。
$v_t$	当前时刻 $t$ 的EWMA值。

这种计算方式特别适用于处理时序数据，用于平滑短期波动，并能够更快地捕捉到长期趋势的变化。在时间序列分析、金融市场分析和深度学习中的某些优化算法，比如梯度下降的动量方法中，指数加权平均数被广泛使用。

三、实际拿个例子计算一下

某城市4月份30天气温数据如下表：

日期	最高温度(℃)	最低温度(℃)	天气状况
4月1日	18	8	晴
4月2日	20	9	多云
4月3日	16	6	小雨
4月4日	14	5	阴
4月5日	17	7	晴
4月6日	22	10	晴
4月7日	21	9	多云
4月8日	19	5	晴转多云
4月9日	12	3	阴
4月10日	23	10	晴
4月11日	15	6	小雨
4月12日	16	7	阴
4月13日	19	8	晴
4月14日	21	11	多云
4月15日	18	5	晴
4月16日	14	3	阴转小雨
4月17日	17	6	晴
4月18日	20	9	晴
4月19日	13	4	阴
4月20日	19	8	多云
4月21日	22	10	晴
4月22日	16	5	阴
4月23日	15	7	小雨
4月24日	18	6	晴
4月25日	20	9	晴
4月26日	13	4	阴
4月27日	19	8	多云
4月28日	21	11	晴
4月29日	16	5	阴
4月30日	17	7	小雨转晴