Memvisualisasikan pencilan kredit
Anda menemukan pencilan pada person_emp_length di mana nilai yang lebih dari 60 jauh di atas kewajaran. person_age adalah kolom lain yang secara nalar dapat dikatakan sangat kecil kemungkinannya ada pemohon pinjaman berusia di atas 100 tahun.
Memvisualisasikan data dapat menjadi cara mudah lainnya untuk mendeteksi pencilan. Anda dapat menggunakan kolom numerik lain seperti loan_amnt dan loan_int_rate untuk membuat plot dengan person_age guna mencari pencilan.
Himpunan data cr_loan telah dimuat di ruang kerja.
Latihan ini adalah bagian dari kursus
Pemodelan Risiko Kredit dengan Python
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# Create the scatter plot for age and amount
plt.scatter(____[____], ____[____], c='blue', alpha=0.5)
plt.xlabel("Person Age")
plt.ylabel("Loan Amount")
plt.____()