Visualización de los valores atípicos crediticios
Descubriste valores atípicos en person_emp_length, donde los valores superiores a 60 estaban muy por encima de la norma. person_age es otra columna en la que una persona puede utilizar el sentido común para decir que es muy poco probable que una persona que solicita un préstamo tenga más de 100 años.
Visualizar los datos aquí puede ser otra forma fácil de detectar valores atípicos. Puedes utilizar otras columnas numéricas como loan_amnt y loan_int_rate para crear gráficos con person_age para buscar valores atípicos.
El conjunto de datos cr_loan se ha cargado en el espacio de trabajo.
Este ejercicio forma parte del curso
Modelado del riesgo crediticio en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Create the scatter plot for age and amount
plt.scatter(____[____], ____[____], c='blue', alpha=0.5)
plt.xlabel("Person Age")
plt.ylabel("Loan Amount")
plt.____()