Z-Score-Standardisierung
In der letzten Übung hast du den Z-Score berechnet, um Ausreißer zu behandeln. In einem Machine-Learning-Interview könnte eine weitere Frage sein, wo Z-Scores sonst noch verwendet werden. Häufig nutzt man sie, um Daten vor dem Erstellen eines Modells zu skalieren.
In dieser Übung verwendest du eine Funktion aus sklearn.preprocessing, die im Video vorgestellt wurde, um die numerischen Feature-Spalten im Datensatz loan_data zu standardisieren. Denk daran: Dabei werden die Daten so skaliert, dass sie einen Mittelwert von 0 und eine Standardabweichung von 1 haben.
Das Modul sklearn.preprocessing wurde bereits für dich importiert.
Pipeline-Überblick:
Diese Übung ist Teil des Kurses
<Kurs>ML-Vorstellungsgespräche in Python üben</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Subset features
numeric_cols = ____.____(include=[____.____])
categoric_cols = ____.____(include=[____])