Visualiser les valeurs aberrantes du crédit
Vous avez repéré des valeurs aberrantes dans person_emp_length, où les valeurs supérieures à 60 étaient clairement au-dessus de la norme. person_age est une autre colonne pour laquelle, par gros bon sens, il est très peu probable qu'une personne qui demande un prêt ait plus de 100 ans.
Visualiser les données est une autre façon simple de détecter des valeurs aberrantes. Vous pouvez utiliser d'autres colonnes numériques comme loan_amnt et loan_int_rate pour créer des graphiques avec person_age et repérer des valeurs anormales.
L'ensemble de données cr_loan a été chargé dans l'espace de travail.
Cette activité fait partie du cours
Modélisation du risque de crédit en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create the scatter plot for age and amount
plt.scatter(____[____], ____[____], c='blue', alpha=0.5)
plt.xlabel("Person Age")
plt.ylabel("Loan Amount")
plt.____()