Visualizando outliers de crédito
Você encontrou outliers em person_emp_length, em que valores acima de 60 estavam muito fora do padrão. person_age é outra coluna em que, pelo bom senso, é muito improvável que alguém que solicita um empréstimo tenha mais de 100 anos.
Visualizar os dados pode ser outra forma simples de detectar outliers. Você pode usar outras colunas numéricas, como loan_amnt e loan_int_rate, para criar gráficos com person_age e buscar outliers.
O conjunto de dados cr_loan já foi carregado no workspace.
Este exercício faz parte do curso
Modelagem de Risco de Crédito em Python
Exercício interativo prático
Experimente este exercício completando 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.____()