Я использую наклон регрессии следующим образом для расчета крутизны (наклона) тренда.
Сценарий 1. Например, я использую данные о продажах (ось X: 1, 4, 6, 8, 10, 15
) за 6 дней (ось Y).
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
X = [[1], [4], [6], [8], [10], [15]]
y = [1, 2, 3, 4, 5, 6]
regressor.fit(X, y)
print(regressor.coef_)
Это дает мне 0.37709497
Сценарий 2. Когда я запускаю ту же программу для другого числа продаж (например, 1, 2, 3, 4, 5, 6
), я получаю результаты как 1
.
Однако вы можете видеть, что sales
намного продуктивнее в scenario 1
, но не в scenario 2
. Однако наклон, который я получаю для scenario 2
, выше, чем scenario 1
.
Поэтому я не уверен, отражает ли наклон регрессии то, что мне нужно. Есть ли какой-либо другой подход, который я могу использовать вместо этого для расчета сонливости наклона тренда.
Я рад предоставить более подробную информацию, если это необходимо.