Avvikelsedetektering
En mycket viktig del av att förbehandla data på rätt sätt är avvikelsedetektering. I maskininlärningsintervjuer är det vanligt att få frågor om hur man hittar och hanterar avvikande värden. Ett enkelt sätt att upptäcka dem är att visualisera datan grafiskt.
När du har hittat och imputerat saknade värden är nästa nödvändiga förbehandlingssteg att hitta och bestämma vad du ska göra med avvikande värden.
Det finns flera paket för att visualisera avvikande värden, men i den här övningen använder du seaborn för att rita univariata och multivariata lådagram för utvalda kolumner i loan_data.
Alla relevanta paket har redan importerats.
Var befinner du dig i pipeline:n?
Den här övningen är en del av kursen
Öva på maskininlärningsintervjufrågor i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import modules
import matplotlib.pyplot as plt
import seaborn as sns
# Univariate and multivariate boxplots
fig, ax =plt.subplots(1,2)
sns.____(y=____['_____'], ax=ax[0])
sns.____(x='Loan Status', y='Annual Income', data=____, ax=ax[1])
plt.show()