Visualisera kreditavvikare
Du hittade avvikare i person_emp_length där värden över 60 låg långt över det normala. person_age är ytterligare en kolumn där man med sunt förnuft kan konstatera att det är mycket osannolikt att en person som ansöker om ett lån är över 100 år gammal.
Att visualisera data är ett annat enkelt sätt att upptäcka avvikare. Du kan använda andra numeriska kolumner som loan_amnt och loan_int_rate för att skapa diagram med person_age och söka efter avvikare.
Datamängden cr_loan har lästs in i arbetsmiljön.
Den här övningen är en del av kursen
Kreditriskmodellering i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create the scatter plot for age and amount
plt.scatter(____[____], ____[____], c='blue', alpha=0.5)
plt.xlabel("Person Age")
plt.ylabel("Loan Amount")
plt.____()