लॉग और पावर ट्रांसफ़ॉर्मेशन
पिछले अभ्यास में, आपने loan_data के प्रशिक्षण सेट और टेस्ट सेट के वितरणों की तुलना की थी। यह मशीन लर्निंग इंटरव्यू में खास तौर पर अहम होता है, क्योंकि देखा गया वितरण तय करता है कि क्या आपको ऐसी तकनीकों का इस्तेमाल करना चाहिए जो आपके फीचर वितरणों को सामान्य (normal) वितरण के करीब लाएँ, ताकि normality से जुड़ी मान्यताएँ न टूटें।
इस अभ्यास में, आप loan_data के Years of Credit History फीचर पर scipy.stats मॉड्यूल के लॉग और पावर ट्रांसफ़ॉर्मेशन का उपयोग करेंगे, और साथ में seaborn के distplot() फंक्शन से उसका वितरण और kernel density estimation दोनों प्लॉट करेंगे।
आपके लिए सभी संबंधित पैकेज पहले से इम्पोर्ट कर दिए गए हैं।
पाइपलाइन में फिलहाल आप यहाँ हैं:
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Machine Learning इंटरव्यू प्रश्नों का अभ्यास
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Subset loan_data
cr_yrs = ____['____']
# Histogram and kernel density estimate
plt.figure()
sns.____(____)
plt.show()