Détection des valeurs aberrantes
Un aspect très important du prétraitement adéquat de vos données est la détection des valeurs aberrantes. En entrevue de Machine Learning, on demande souvent comment repérer et traiter ces valeurs. Une façon simple de les détecter est de les visualiser graphiquement.
Après avoir repéré et imputé les valeurs manquantes, identifier les valeurs aberrantes et décider quoi en faire constitue une autre étape nécessaire du prétraitement.
Il existe plusieurs bibliothèques pour visualiser les valeurs aberrantes, mais dans cet exercice, vous utiliserez seaborn pour tracer des diagrammes en boîte univariés et multivariés pour certaines colonnes de loan_data.
Tous les modules pertinents ont été importés pour vous.
Où en êtes-vous dans le pipeline?
Cette activité fait partie du cours
S'exercer aux questions d'entrevue en Machine Learning avec Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import modules
import matplotlib.pyplot as plt
import seaborn as sns
# Univariate and multivariate boxplots
fig, ax =plt.subplots(1,2)
sns.____(y=____['_____'], ax=ax[0])
sns.____(x='Loan Status', y='Annual Income', data=____, ax=ax[1])
plt.show()