Klassifizierung einer Sammlung von Straßenschildern

Nachdem das autonome Fahrzeug erfolgreich von selbst angehalten hat, ist dein Team zuversichtlich, dass es die Teststrecke fortsetzen kann.

Die Teststrecke umfasst 59 zusätzliche Verkehrszeichen, die in drei Typen unterteilt sind:

Stoppschild Geschwindigkeitsbegrenzungsschild Fußgängerzeichen

Am Ende des Versuchs wirst du gebeten, die Gesamtleistung des Autos beim Erkennen dieser Zeichen zu bewerten.

Das Paket class und das Dataset signs sind bereits in deinem Arbeitsbereich geladen. Das Gleiche gilt für den Datenrahmen test_signs, der eine Reihe von 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 von test_signs mit knn().
- Setze train gleich den Beobachtungen in signs ohne Labels.
- Verwende test_signs für das Argument test, wiederum ohne Bezeichnungen.
- Für das Argument cl verwendest du den Vektor der Labels, der dir zur Verfügung gestellt wird.
Nutze table(), um die Leistung des Klassifikators bei der Erkennung der drei Zeichentypen zu untersuchen (die Konfusionsmatrix).
- Erstelle den Vektor signs_actual, indem du die Labels aus test_signs extrahierst.
- Gib den Vektor der Vorhersagen und den Vektor der tatsächlichen Vorzeichen an table() weiter, um sie miteinander zu vergleichen.
Berechne die Gesamtgenauigkeit des kNN-Learners mithilfe 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