Eine Sammlung von Verkehrsschildern klassifizieren

Nachdem das autonome Fahrzeug erfolgreich selbstständig angehalten hat, ist dein Team zuversichtlich und lässt das Auto den Testkurs weiterfahren.

Der Testkurs enthält 59 weitere Verkehrsschilder, aufgeteilt in drei Typen:

Stoppschild Tempolimitschild Fußgängerschild

Am Ende des Versuchs sollst du die Gesamtleistung des Autos bei der Erkennung dieser Schilder messen.

Das Paket class und der Datensatz signs sind bereits in deinem Workspace geladen. Ebenfalls vorhanden ist das Dataframe test_signs, das eine Menge Beobachtungen enthält, mit denen du dein Modell testen wirst.

Diese Übung ist Teil des Kurses

Überwachtes Lernen in R: Klassifikation

Kurs anzeigen

Anleitung zur Übung

Klassifiziere die Daten test_signs mit knn().
- Setze train auf die Beobachtungen in signs – allerdings ohne Labels.
- Verwende für das Argument test test_signs, ebenfalls ohne Labels.
- Für das Argument cl nutzt du den bereitgestellten Vektor mit Labels.
Verwende table(), um die Leistung des Klassifikators bei der Erkennung der drei Schildtypen zu untersuchen (die Konfusionsmatrix).
- Erzeuge den Vektor signs_actual, indem du die Labels aus test_signs extrahierst.
- Übergib den Vektor der Vorhersagen und den Vektor der tatsächlichen Schilder an table(), um sie zu kreuztabellieren.
Berechne die Gesamtgenauigkeit des kNN-Lerners mit der Funktion mean().

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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(___ == ___)

Code bearbeiten und ausführen