Klasifikace sady dopravních značek

Autonomní vozidlo úspěšně samo zastavilo, takže tým má dostatek důvěry pokračovat v testovací trase.

Tato trasa zahrnuje dalších 59 dopravních značek rozdělených do tří typů:

Stop Sign Speed Limit Sign Pedestrian Sign

Po skončení zkušební jízdy máš za úkol vyhodnotit celkovou úspěšnost vozidla při rozpoznávání značek.

Balíček class i dataset signs jsou v pracovním prostředí již načtené. Stejně tak datový rámec test_signs, který obsahuje sadu pozorování, na nichž model otestuješ.

Toto cvičení je součástí kurzu

Supervised Learning v R: Klasifikace

Zobrazit kurz

Pokyny k cvičení

Klasifikuj data test_signs pomocí funkce knn().
- Nastav argument train na pozorování z datasetu signs bez štítků.
- Pro argument test použij test_signs, opět bez štítků.
- Pro argument cl použij připravený vektor štítků.
Pomocí table() prozkoumej, jak si klasifikátor vede při rozpoznávání tří typů značek (matice záměn).
- Vytvoř vektor signs_actual tak, že ze test_signs extrahuješ štítky.
- Předej funkci table() vektor předpovědí a vektor skutečných značek, aby je zkříženě zatřídila.
Vypočítej celkovou přesnost modelu kNN pomocí funkce mean().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Use kNN to identify the test road signs
sign_types <- signs$sign_type
signs_pred <- knn(train = ___[-1], test = ___[-1], cl = ___)

# Create a confusion matrix of the predicted versus actual values
signs_actual <- ___
table(___, ___)

# Compute the accuracy
mean(___ == ___)

Upravit a spustit kód