Візуалізація викидів у кредитних даних
Ви виявили викиди в person_emp_length, де значення понад 60 суттєво перевищують норму. person_age — ще один стовпець, для якого можна керуватися здоровим глуздом: дуже малоймовірно, що людина, яка подає заявку на позику, має вік понад 100 років.
Візуалізація даних — ще один простий спосіб знайти викиди. Ви можете використати інші числові стовпці, як-от loan_amnt і loan_int_rate, щоб побудувати графіки разом із person_age та пошукати викиди.
Набір даних cr_loan завантажено в робочу область.
Ця вправа є частиною курсу
Моделювання кредитного ризику в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Create the scatter plot for age and amount
plt.scatter(____[____], ____[____], c='blue', alpha=0.5)
plt.xlabel("Person Age")
plt.ylabel("Loan Amount")
plt.____()