Transformations logarithmiques et en puissance
Dans le dernier exercice, vous avez comparé les distributions d'un ensemble d'entraînement et d'un ensemble de test de loan_data. C'est particulièrement pertinent lors d'une entrevue en Machine Learning, car la distribution observée détermine si vous devez ou non appliquer des techniques qui rapprochent vos variables explicatives d'une loi normale afin de ne pas violer les hypothèses de normalité.
Dans cet exercice, vous utiliserez les transformations logarithmique et en puissance du module scipy.stats sur la variable Years of Credit History de loan_data, ainsi que la fonction distplot() de seaborn, qui trace à la fois sa distribution et l'estimation de densité à noyau.
Tous les modules nécessaires ont été importés pour vous.
Voici où vous en êtes 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.
# Subset loan_data
cr_yrs = ____['____']
# Histogram and kernel density estimate
plt.figure()
sns.____(____)
plt.show()