Aykırı değerlerle başa çıkma
Son egzersizde, aykırı değerleri görselleştirmenin bir Machine Learning mülakatında nasıl işe yarayabileceğini öğrendin. Aykırı değerleri ele almanın bir başka pratik yolu da ortalamadan yaklaşık +/-3 standart sapma uzaklıktaki değerler için bir eşik sunan Z-skorunu hesaplamaktır.
Bu egzersizde, scipy.stats modülünü kullanarak stats.zscore() fonksiyonu ile Z-skorunu hesaplayacak ve Winsorizing adlı bir teknikle aykırı değerleri değiştirmek için mstats.winsorize() fonksiyonunu kullanacaksın.
Video dersinden hatırla: IQR'nin 1,5 katının üstünde ve/veya altında kalan noktalar olası aykırı değerler olarak görülmelidir. Bu egzersizin son adımı için bu değer 2120'dir.
Gerekli paketler senin için içe aktarıldı ve loan_data'nın sayısal ve kategorik sütunları sırasıyla numeric_cols ve categoric_cols olarak alt kümelere ayrılıp kaydedildi.
Bu egzersiz, kursun bir parçasıdır
Python ile Machine Learning Mülakat Sorularını Pratik Etme
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Print: before dropping
print(numeric_cols.mean())
print(numeric_cols.median())
print(numeric_cols.max())
# Create index of rows to keep
idx = (np.____(stats.____(____)) < 3).all(axis=1)
# Concatenate numeric and categoric subsets
ld_out_drop = pd.concat([numeric_cols.loc[____], categoric_cols.loc[____]], axis=1)
# Print: after dropping
print(ld_out_drop.mean())
print(ld_out_drop.median())
print(ld_out_drop.max())