Deteksi outlier
Aspek yang sangat penting dari prapemrosesan data yang benar adalah deteksi outlier. Dalam pertanyaan wawancara Machine Learning, salah satu pertanyaan umum adalah bagaimana menemukan dan memproses outlier. Cara yang mudah untuk mendeteksi outlier adalah dengan memvisualisasikannya secara grafis.
Setelah menemukan dan mengimputasi data yang hilang, menemukan dan menentukan apa yang harus dilakukan terhadap outlier merupakan langkah prapemrosesan penting lainnya.
Ada beragam paket yang memungkinkan Anda memvisualisasikan outlier, tetapi dalam latihan ini, Anda akan menggunakan seaborn untuk membuat boxplot univariat dan multivariat dari kolom terpilih pada loan_data.
Semua paket terkait telah diimpor untuk Anda.
Sampai di mana Anda dalam pipeline?
Latihan ini merupakan bagian dari kursus
Berlatih Pertanyaan Wawancara Machine Learning dengan Python
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# 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()