Trasformazioni logaritmiche e di potenza
Nell’ultimo esercizio hai confrontato le distribuzioni del training set e del test set di loan_data. Questo è particolarmente rilevante in un colloquio di Machine Learning, perché la distribuzione osservata determina se devi usare tecniche che spingono le tue feature verso una distribuzione normale, così da non violare le assunzioni di normalità.
In questo esercizio userai le trasformazioni logaritmica e di potenza dal modulo scipy.stats sulla variabile Years of Credit History di loan_data, insieme alla funzione distplot() di seaborn, che traccia sia la distribuzione sia la stima della densità tramite kernel.
Tutti i pacchetti rilevanti sono già stati importati per te.
Ecco 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.
# Subset loan_data
cr_yrs = ____['____']
# Histogram and kernel density estimate
plt.figure()
sns.____(____)
plt.show()