訓練／測試分布
在機器學習面試中，你幾乎一定會處理訓練資料與測試資料。如前所述，若訓練與測試資料集的分布不同，模型效能可能會變差。
在本練習中，你將使用 sklearn.model_selection、seaborn 與 matplotlib.pyplot 的函式，將 loan_data 切分為訓練集與測試集，並視覺化它們的分布以找出可能的差異。
注意：seaborn 與 matplotlib.pyplot 已為你匯入，並分別以 sns 與 plt 作為別名。
現在的管線已包含 Train/Test split：
本練習屬於課程
用 Python 練習機器學習面試題
練習說明
- 將
loan_data子集化為僅包含Credit Score、Annual Income特徵，以及目標變數Loan Status，且順序即為上述排列。 - 對
loan_data建立 80/20 的切分，並指定為loan_data_subset。 - 分別為
trainingSet與testSet（依此順序）建立 pairplot，並將hue參數設為目標變數Loan Status。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Create `loan_data` subset: loan_data_subset
loan_data_subset = ____[['____','____','____']]
# Create train and test sets
trainingSet, testSet = ____(____, ____=___, random_state=123)
# Examine pairplots
plt.figure()
sns.____(____, hue='____', palette='RdBu')
plt.show()
plt.figure()
sns.____(____, hue='____', palette='RdBu')
plt.show()