我们比指数加权平均梯度下降法更快地引入一些优化算法。要了解这些算法，您需要使用指数加权平均值，也称为指数加权移动平均值。
让我们先谈谈这个，然后让我们谈谈更复杂的优化算法。
庄园教授，但我住在美国，庄园教授出生于英国伦敦，例如，在伦敦的最后一年的1月1日的温度，温度为40华氏度。这是4摄氏度。
摄氏已经在世界上大多数国家的被使用，美国是1月2日，它使用的是华氏9摄氏度，据说一天，一周，一年365天七天。一年180天，也就是五月底，温度是华氏60度，换句话说，成为摄氏度，如15度，夏季的温度是温暖的，冬季寒冷。
您可以使用数据映射，你可以得到下面的结果，起始日期是1月，这是夏天的开始，这里是一样的十二月底，是一年的结束。
1月1日，年中接近夏季，然后是年末数据。在计算趋势时，即局部平均温度，这有点麻烦。或移动平均线。
在你所要做的就是成为第一个每天V_0 = 0，你应该使用以前的权重值加上0.1至0.1倍，每天的温度。第一天的温度值。
第二天，0.9倍的温度和上次值的当天的加权平均值的0.1倍，换句话说，就可以得到V_2 = 0.9v_1 +0.1θ_2。
加入到第三天的值第二天的数据的0.1，是非常小的通式中，一天中的v是该加0.1对温度的天?0.9的前一天的值v。
以这种方式计算，并用红线绘制，你得到这个结果。
您获得移动平均线和每日温度的指数加权平均值。
通过观察官方V_T = 0.9v_所述滑动件（T-1）+0.1θ_t的的前部，为0.9β恒定，并且将以前的0.1常数（1-β）的。也就是说，v_t =βv_（T-1）+。（1 - β）θ_t
从您想在未来要考虑的原因，V_T被发现是在一天到一天的温度约1 /（（1-β））。如果β为0.9，我认为这是10天的平均值，即红线。
我们试试另一种方法吧。作为0.98，β设定为接近1的值，来计算1 /((1-0.98))= 50。这是近似平均值，过去50天的温度。。
你需要注意这个高β值是几个点，这是因为平均超过几天的温度获得更平坦的曲线，让这条曲线，变化较小，是比较平坦的，是一个缺点平均温度越高，平均值越高，曲线越向右移动。指数加权平均公式随温度缓慢适应。由于β= 0.98只相当于你0.02的重量增加了很多价值过前一天会给一天的值，当温度变化的温度上下，β指数加权平均最要大适应缓慢的事情
您可以尝试其他值。如果β是另一个极端，让我们根据公式（1 /（（1-β）））0.5，这是两天的平均的右侧。
执行绘图后，获得黄线。
由于平均气温只有2天，因为普通的信息太少，结果曲线的噪声增加，但出现异常值的可能性，这条曲线可以更快地适应气温的变化。
因此，经常使用指数加权平均值。通过调整此参数（β）或学习以后的算法，您会发现这是一个非常重要的参数。略微不同的影响，在许多情况下，在中间的值，最好的值，β是一个中间值。红色曲线的温度平均值高于绿色和黄色线。
由于发现计算指数加权平均的基础，让我们来谈谈在未来备忘录的重要作用。
