Rilevamento degli outlier
Un aspetto molto importante del preprocessing corretto dei dati è il rilevamento degli outlier. Nelle interviste di Machine Learning, una domanda ricorrente è come individuare e gestire gli outlier. Un modo semplice per rilevarli è visualizzarli graficamente.
Dopo aver individuato e imputato i valori mancanti, un altro passaggio necessario del preprocessing è trovare gli outlier e decidere come gestirli.
Esistono diversi pacchetti che ti permettono di visualizzare gli outlier, ma in questo esercizio userai seaborn per tracciare boxplot univariati e multivariati delle colonne selezionate di loan_data.
Tutti i pacchetti rilevanti sono già stati importati per te.
A che punto sei nella pipeline?
Questo esercizio fa parte del corso
Esercitarsi con le domande di colloquio di Machine Learning in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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()