Classer un ensemble de panneaux routiers

Maintenant que le véhicule autonome s'est arrêté correctement par lui-même, votre équipe est à l'aise de le laisser poursuivre le parcours d'essai.

Le parcours comprend 59 panneaux routiers supplémentaires répartis en trois types :

Panneau Arrêt Panneau de limite de vitesse Panneau piéton

À la fin de l'essai, on vous demande d'évaluer le rendement global de la voiture pour la reconnaissance de ces panneaux.

Le paquet class et l'ensemble de données signs sont déjà chargés dans votre espace de travail. C'est aussi le cas du cadre de données test_signs, qui contient un ensemble d'observations sur lesquelles vous mettrez votre modèle à l'épreuve.

Cette activité fait partie du cours

Apprentissage supervisé en R : Classification

Voir le cours

Instructions de l’exercice

Classifiez les données test_signs avec knn().
- Affectez à train les observations de signs sans les étiquettes.
- Utilisez test_signs pour l'argument test, là encore sans étiquettes.
- Pour l'argument cl, utilisez le vecteur d'étiquettes fourni.
Utilisez table() pour examiner la performance du classificateur à reconnaître les trois types de panneaux (la matrice de confusion).
- Créez le vecteur signs_actual en extrayant les étiquettes de test_signs.
- Transmettez le vecteur des prédictions et le vecteur des valeurs réelles à table() pour obtenir un tableau croisé.
Calculez la justesse globale de l'algorithme kNN avec la fonction mean().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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(___ == ___)

Modifier et exécuter le code