การตรวจจับค่าผิดปกติ
การตรวจจับค่าผิดปกติ (outlier) เป็นส่วนสำคัญมากในการเตรียมข้อมูลให้ถูกต้อง ในการสัมภาษณ์งานด้าน Machine Learning มักมีคำถามเกี่ยวกับวิธีค้นหาและจัดการกับค่าผิดปกติ วิธีที่ง่ายที่สุดในการตรวจจับค่าเหล่านี้คือการแสดงผลด้วยกราฟ
หลังจากค้นหาและจัดการกับค่าที่ขาดหายแล้ว การค้นหาและตัดสินใจว่าจะทำอย่างไรกับค่าผิดปกติก็เป็นอีกขั้นตอนหนึ่งที่จำเป็นในการเตรียมข้อมูล
มีหลายแพ็กเกจที่ช่วยให้แสดงผลค่าผิดปกติได้ แต่ในแบบฝึกหัดนี้ จะใช้ seaborn เพื่อพล็อต boxplot แบบ univariate และ multivariate ของคอลัมน์ที่เลือกจาก loan_data
นำเข้าแพ็กเกจที่จำเป็นทั้งหมดให้แล้ว
ตอนนี้อยู่ที่จุดใดของ pipeline?
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
ฝึกตอบคำถามสัมภาษณ์ Machine Learning ด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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()