Ausreißer bei Krediten visualisieren
Du hast Ausreißer in person_emp_length gefunden, bei denen Werte über 60 weit über der Norm liegen. person_age ist eine weitere Spalte, bei der man mit gesundem Menschenverstand sagen kann: Es ist sehr unwahrscheinlich, dass jemand, der einen Kredit beantragt, über 100 Jahre alt ist.
Die Daten zu visualisieren, ist ein einfacher Weg, um Ausreißer zu erkennen. Du kannst andere numerische Spalten wie loan_amnt und loan_int_rate zusammen mit person_age in Diagrammen verwenden, um nach Ausreißern zu suchen.
Der Datensatz cr_loan wurde im Workspace geladen.
Diese Übung ist Teil des Kurses
Kreditrisikomodellierung in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Create the scatter plot for age and amount
plt.scatter(____[____], ____[____], c='blue', alpha=0.5)
plt.xlabel("Person Age")
plt.ylabel("Loan Amount")
plt.____()