Transformacje logarytmiczna i potęgowa
W poprzednim ćwiczeniu porównywałeś rozkłady zbioru treningowego i testowego na podstawie loan_data. To szczególnie ważny temat podczas rozmowy kwalifikacyjnej z uczenia maszynowego – zaobserwowany rozkład decyduje o tym, czy należy zastosować techniki przybliżające rozkłady cech do rozkładu normalnego, aby nie naruszać założeń o normalności.
W tym ćwiczeniu zastosujesz transformację logarytmiczną i potęgową z modułu scipy.stats na cesze Years of Credit History ze zbioru loan_data. Użyjesz też funkcji distplot() z biblioteki seaborn, która rysuje zarówno histogram rozkładu, jak i jądrowe oszacowanie gęstości.
Wszystkie potrzebne pakiety zostały już zaimportowane.
Oto twoje miejsce w potoku przetwarzania danych:
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Subset loan_data
cr_yrs = ____['____']
# Histogram and kernel density estimate
plt.figure()
sns.____(____)
plt.show()