Visualização de exceções de crédito
Você descobriu outliers em person_emp_length, onde os valores maiores que 60 estavam muito acima da norma. person_age é outra coluna na qual uma pessoa pode usar uma abordagem de senso comum para dizer que é muito improvável que uma pessoa que esteja solicitando um empréstimo tenha mais de 100 anos de idade.
Visualizar os dados aqui pode ser outra maneira fácil de detectar discrepâncias. Você pode usar outras colunas numéricas, como loan_amnt e loan_int_rate, para criar gráficos com person_age para procurar outliers.
O conjunto de dados cr_loan foi carregado no espaço de trabalho.
Este exercício faz parte do curso
Modelagem de risco de crédito em Python
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
# Create the scatter plot for age and amount
plt.scatter(____[____], ____[____], c='blue', alpha=0.5)
plt.xlabel("Person Age")
plt.ylabel("Loan Amount")
plt.____()