การแปลงค่าด้วย Log และ Power
ในแบบฝึกหัดที่แล้ว คุณได้เปรียบเทียบการกระจายตัวของชุดข้อมูลฝึกสอนและชุดข้อมูลทดสอบของ loan_data ประเด็นนี้สำคัญมากในการสัมภาษณ์ด้าน Machine Learning เพราะการกระจายตัวที่สังเกตได้จะเป็นตัวกำหนดว่าจำเป็นต้องใช้เทคนิคปรับการกระจายตัวของฟีเจอร์ให้เข้าใกล้การแจกแจงแบบปกติ (normal distribution) หรือไม่ เพื่อไม่ให้ละเมิดข้อสมมติเรื่อง normality
ในแบบฝึกหัดนี้ จะใช้การแปลงค่าแบบ log และ power จากโมดูล scipy.stats กับฟีเจอร์ Years of Credit History ของ loan_data ร่วมกับฟังก์ชัน distplot() จาก seaborn ซึ่งพล็อตทั้งการกระจายตัวและการประมาณค่าความหนาแน่นของเคอร์เนล (kernel density estimation)
ได้ import แพ็กเกจที่จำเป็นทั้งหมดให้แล้ว
นี่คือตำแหน่งปัจจุบันใน pipeline:
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
ฝึกตอบคำถามสัมภาษณ์ Machine Learning ด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Subset loan_data
cr_yrs = ____['____']
# Histogram and kernel density estimate
plt.figure()
sns.____(____)
plt.show()