Wizualizacja wartości odstających w danych kredytowych
W kolumnie person_emp_length wykryto wartości odstające – liczby powyżej 60 znacznie odbiegały od normy. Podobna sytuacja może wystąpić w kolumnie person_age: zdrowy rozsądek podpowiada, że osoba ubiegająca się o pożyczkę raczej nie ma ponad 100 lat.
Wizualizacja danych to kolejny prosty sposób na wykrycie wartości odstających. Możesz użyć innych kolumn numerycznych, takich jak loan_amnt i loan_int_rate, i zestawić je z person_age na wykresach w poszukiwaniu anomalii.
Zbiór danych cr_loan został już wczytany do obszaru roboczego.
To ćwiczenie jest częścią kursu
Modelowanie ryzyka kredytowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create the scatter plot for age and amount
plt.scatter(____[____], ____[____], c='blue', alpha=0.5)
plt.xlabel("Person Age")
plt.ylabel("Loan Amount")
plt.____()