Visualiser les valeurs aberrantes du crédit
Vous avez identifié des valeurs aberrantes dans person_emp_length où les valeurs supérieures à 60 dépassent largement la norme. person_age est une autre colonne pour laquelle le bon sens indique qu’il est très peu probable qu’une personne qui demande un prêt ait plus de 100 ans.
Visualiser les données est une autre manière simple de repérer 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 rechercher des valeurs aberrantes.
Le jeu de données cr_loan a été chargé dans l’espace de travail.
Cet exercice fait partie du cours
Modélisation du risque de crédit en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Create the scatter plot for age and amount
plt.scatter(____[____], ____[____], c='blue', alpha=0.5)
plt.xlabel("Person Age")
plt.ylabel("Loan Amount")
plt.____()