Виявлення викидів
Дуже важливий аспект правильного попереднього опрацювання даних — виявлення викидів. На співбесідах з машинного навчання часто питають, як знаходити та опрацьовувати викиди. Простий спосіб виявити викиди — візуалізувати їх графічно.
Після пошуку та заповнення пропусків наступним потрібним кроком попереднього опрацювання є пошук викидів і визначення, що з ними робити.
Існує чимало бібліотек для візуалізації викидів, але в цій вправі ви використаєте seaborn, щоб побудувати уніваріативні та мультиваріативні boxplot-и для вибраних стовпців loan_data.
Усі потрібні пакети вже імпортовано для вас.
Де саме ви зараз у конвеєрі?
Ця вправа є частиною курсу
Практика співбесід з Machine Learning у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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()