Визуализация выбросов в кредитных данных
Вы обнаружили выбросы в столбце person_emp_length: значения, превышающие 60, явно выходили за пределы нормы. Столбец person_age — ещё один пример, где здравый смысл подсказывает: крайне маловероятно, что заявку на кредит подаст человек старше 100 лет.
Визуализация данных — ещё один простой способ выявить выбросы. Можно использовать другие числовые столбцы, например loan_amnt и loan_int_rate, и построить графики зависимости от person_age, чтобы найти подозрительные значения.
Набор данных cr_loan уже загружен в рабочей области.
Это упражнение является частью курса
Моделирование кредитного риска на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Create the scatter plot for age and amount
plt.scatter(____[____], ____[____], c='blue', alpha=0.5)
plt.xlabel("Person Age")
plt.ylabel("Loan Amount")
plt.____()