Clasificar una colección de señales de tráfico

Ahora que el vehículo autónomo se ha detenido con éxito por sí solo, tu equipo se siente seguro permitiendo que el coche continúe el recorrido de prueba.

El curso de prueba incluye 59 señales de tráfico adicionales divididas en tres tipos:

Señal de Stop Señal de límite de velocidad Señal para peatones

Al final de la prueba, se te pide que midas el rendimiento general del coche a la hora de reconocer estas señales.

El paquete class y el conjunto de datos signs ya están cargados en tu espacio de trabajo. También lo es el marco de datos test_signs, que contiene un conjunto de observaciones sobre las que probarás tu modelo.

Este ejercicio forma parte del curso

Aprendizaje supervisado en R: Clasificación

Ver curso

Instrucciones de ejercicio

Clasifica los datos de test_signs utilizando knn().
- Establece train igual a las observaciones de signs sin etiquetas.
- Utiliza test_signs para el argumento test, de nuevo sin etiquetas.
- Para el argumento cl, utiliza el vector de etiquetas que se te ha proporcionado.
Utiliza table() para explorar el rendimiento del clasificador en la identificación de los tres tipos de signos (la matriz de confusión).
- Crea el vector signs_actual extrayendo las etiquetas de test_signs.
- Pasa el vector de predicciones y el vector de signos reales a table() para cruzarlos.
Calcula la precisión global del aprendiz kNN utilizando la función mean().

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# 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(___ == ___)

Editar y ejecutar código