Попереднє згладжування Діріхле P(θ∣D)∝∏w∈VP(w∣θ)c(w,D)+μP(w∣C)−1.27 червня 2015

Просте експоненціальне згладжування має «плоску» функцію прогнозу: ^yT+h|T=^yT+1|T=ℓT,h=2,3,…. y ^ T + h | T = y ^ T + 1 | T = ℓ T, h = 2, 3, …. Тобто всі прогнози приймають однакове значення, рівне компоненту останнього рівня.

Що робить згладжування Лапласа? Згладжування за Лапласом, яке часто називають згладжуванням додавання одиниць, є статистичним методом, який запобігає нульовій ймовірності в статистичних моделях, додаючи невелику константу до кожного підрахунку в частотному розподілі.

Процес Діріхле є стохастичний процес, який використовується в байєсівських непараметричних моделях даних, зокрема в моделях суміші процесів Діріхле (також відомих як моделі нескінченної суміші). Це розподіл над розподілами, тобто кожен малюнок із процесу Діріхле сам є розподілом.

Процес Діріхле є стохастичний процес, який використовується в байєсівській непараметриці для кластеризації даних без попереднього визначення кількості кластерів. Попередній процес Діріхле використовується для математичного опису попередньої інформації про кількість кластерів у даних.

Розрахунок експоненціального згладжування виглядає наступним чином: Попит за останній період, помножений на коефіцієнт згладжування. Прогноз за останній період, помножений на (один мінус коефіцієнт згладжування). S = коефіцієнт згладжування, представлений у десятковій формі (тому 35% буде представлено як 0,35).