Valori extreme

Acum este momentul să analizezi structura variabilei age. În dreapta este afișată o histogramă. Similar cu ce ai observat în video pentru venitul anual (annual_inc), există mult spațiu gol în partea dreaptă a graficului – un indiciu că ar putea exista valori extreme. Vei folosi un scatterplot pentru a verifica acest lucru. Dacă găsești valori extreme, le vei elimina.

Dacă sunt identificate valori extreme pentru mai multe variabile, poate fi util să analizezi grafice bivariate. Este posibil ca valorile extreme să aparțină aceleiași observații. Dacă este cazul, există și mai multe motive să elimini acea observație, deoarece este mai probabil că unele informații stocate în ea sunt incorecte.

Acest exercițiu face parte din cursul

Modelarea riscului de credit în R

Vezi cursul

Instrucțiuni pentru exercițiu

Construiește un scatterplot al variabilei age (prin loan_data$age) folosind funcția plot(). Dă axei y eticheta corespunzătoare "Age" folosind ylab ca al doilea argument.
Cea mai în vârstă persoană din acest set de date are peste 122 de ani! Obține indexul acestei valori extreme folosind which() și vârsta de 122 de ani ca prag (poți face asta folosind loan_data$age > 122). Atribuie rezultatul obiectului index_highage.
Creează un nou set de date new_data, după eliminarea observației cu vârsta ridicată, folosind obiectul index_highage.
Aruncă o privire asupra scatterplotului bivariat, cu vârsta pe axa x și venitul anual pe axa y. Modifică etichetele la "Age" și, respectiv, "Annual Income".

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Plot the age variable


# Save the outlier's index to index_highage


# Create data set new_data with outlier deleted
new_data <- loan_data[-___, ]

# Make bivariate scatterplot of age and annual income
plot(loan_data$age, loan_data$annual_inc, xlab = "___", ylab = "___")

Editează și rulează codul