Visualizar el rendimiento de la aprobación de préstamos

En el ámbito de los servicios financieros, comprender los factores que influyen en las tasas de aprobación de los préstamos es crucial tanto para los prestamistas como para los prestatarios. Una institución financiera ha realizado un estudio y ha recopilado datos sobre las solicitudes de préstamo, detallando la cantidad solicitada, la puntuación crediticia del solicitante, su situación laboral y el rendimiento final del proceso de aprobación. Este rico conjunto de datos ofrece una ventana a la matizada dinámica que entra en juego en la toma de decisiones sobre préstamos. Te han pedido que te sumerjas en el conjunto de datos loan_approval_yield para comprender cómo influyen los importes de los préstamos y las puntuaciones crediticias en los rendimientos de aprobación.

Se han cargado para ti el DataFrame loan_approval_yield, seaborn como sns, y matplotlib.pyplot como plt.

Este ejercicio forma parte del curso

Diseño experimental en Python

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# Use Seaborn to create the bar graph
sns.catplot(x="____", 
            y="____", 
            hue="____", 
            kind="____", 
            data=loan_approval_yield)
plt.title("Loan Approval Yield by Amount and Credit Score")
plt.show()

Editar y ejecutar código

Este ejercicio forma parte del curso

Diseño experimental en Python

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Adquirir conocimientos en diseño experimental te permite probar hipótesis con las mejores herramientas analíticas y cuantificar el riesgo de tu trabajo. Comenzarás tu viaje sentando las bases de lo que es el diseño experimental y las diferentes configuraciones de diseño experimental, como el bloqueo y la estratificación. A continuación, aprenderás y aplicarás pruebas visuales y analíticas de normalidad en datos experimentales.

Exercise 1: Preparación de los experimentos Exercise 2: Asignación no aleatoria de los sujetos Exercise 3: Asignación aleatoria de los sujetos Exercise 4: Configuración de los datos experimentales Exercise 5: Bloqueo de datos experimentales Exercise 6: Estratificar un experimento Exercise 7: ¿Cuál se estratificó?Exercise 8: Datos normales Exercise 9: Normalidad visual en un experimento agrícola Exercise 10: Normalidad analítica en un experimento agrícola

Profundizarás en sofisticadas técnicas de diseño experimental, centrándote en diseños factoriales, diseños de bloques aleatorizados y ajustes de covariables. Estas metodologías son fundamentales para mejorar la precisión, eficacia e interpretabilidad de los resultados experimentales. Mediante una combinación de conocimientos teóricos y aplicaciones prácticas, adquirirás las habilidades necesarias para diseñar, implementar y analizar experimentos complejos en diversos campos de investigación.

Exercise 1: Diseños factoriales: principios y aplicaciones Exercise 2: Comprender la eficacia de las campañas de marketing Exercise 3: Mapa de calor de las interacciones de la campaña Exercise 4: Diseños factoriales y diseños de bloques aleatorizados Exercise 5: Diseño de bloques aleatorizados: control de la varianza Exercise 6: Aplicación de un diseño de bloques aleatorizados Exercise 7: Visualizar la productividad en bloques por incentivos Exercise 8: ANOVA en bloques de empleados Exercise 9: Ajuste de covariables en el diseño experimental Exercise 10: Importancia de las covariables Exercise 11: Ajuste de covariables con el crecimiento de los pollitos

Domina pruebas estadísticas como las pruebas t, ANOVA, y Chi-cuadrado, y profundiza en los análisis post-hoc y en los aspectos esenciales del análisis de potencia. Aprende a seleccionar la prueba adecuada, a interpretar los valores p y los errores, y a realizar hábilmente análisis de potencia para determinar el tamaño de las muestras y los efectos, todo ello aprovechando las potentes bibliotecas de Python para dar vida a tus conocimientos sobre los datos.

Exercise 1: Elegir la prueba estadística adecuada Exercise 2: Elegir la prueba adecuada: petroquímica Exercise 3: Elegir el examen adecuado: recursos humanos Exercise 4: Elegir el test adecuado: finanzas Exercise 5: Análisis post hoc tras ANOVA Exercise 6: Tratamientos de la ansiedad ANOVA Exercise 7: Aplicando la prueba de Tukey HSD Exercise 8: Aplicación de la corrección de Bonferoni Exercise 9: Valores P, alfa y errores Exercise 10: Analizar la durabilidad de los juguetes Exercise 11: Visualizar las diferencias de durabilidad Exercise 12: Papel de los niveles de significación Exercise 13: Análisis de potencia: tamaño de la muestra y del efecto Exercise 14: Propósito del tamaño del efecto Exercise 15: Estimación del tamaño de la muestra necesaria para el estudio energético

Adéntrate en las complejidades del análisis de datos experimentales. Aprende a sintetizar ideas utilizando pandas, a abordar problemas de datos como la heteroscedasticidad con scipy.stats, y a aplicar pruebas no paramétricas como la U de Mann-Whitney. Aprende técnicas adicionales para transformar, visualizar e interpretar datos complejos, mejorando tu capacidad para realizar análisis sólidos en diversos entornos experimentales.

Exercise 1: Sintetizar las ideas de experimentos complejos Exercise 2: Visualizar el rendimiento de la aprobación de préstamos

Ejercicio actual

Exercise 3: Explorar la satisfacción del cliente Exercise 4: Comunicar eficazmente los datos experimentales Exercise 5: Abordar las complejidades de los datos experimentales Exercise 6: Comprobación de la heteroscedasticidad en la vida útil Exercise 7: Explorar y transformar los datos de vida útil Exercise 8: Aplicación de pruebas no paramétricas en el análisis experimental Exercise 9: Visualizar y probar métodos de conservación Exercise 10: Seguir analizando las técnicas de conservación de alimentos Exercise 11: ¡Enhorabuena!