Classification d'une collection de panneaux routiers

Maintenant que le véhicule autonome a réussi à s'arrêter de lui-même, votre équipe est confiante et autorise la voiture à poursuivre le parcours d'essai.

Le parcours d'examen comprend 59 panneaux de signalisation supplémentaires répartis en trois types :

Panneau d'arrêt Panneau de limitation de vitesse Panneau pour piétons

À la fin de l'essai, il vous est demandé de mesurer les performances globales de la voiture en matière de reconnaissance de ces signes.

Le paquet class et le jeu de données signs sont déjà chargés dans votre espace de travail. Il en va de même pour le cadre de données test_signs, qui contient un ensemble d'observations sur lesquelles vous testerez votre modèle.

Cet exercice fait partie du cours

Apprentissage supervisé en R : Classification

Afficher le cours

Instructions

Classez les données test_signs à l'aide de knn().
- Fixez train à la valeur des observations de signs sans les étiquettes.
- Utilisez test_signs pour l'argument test, toujours sans étiquette.
- Pour l'argument cl, utilisez le vecteur d'étiquettes qui vous a été fourni.
Utilisez le site table() pour étudier les performances du classificateur en matière d'identification des trois types de panneaux (matrice de confusion).
- Créez le vecteur signs_actual en extrayant les étiquettes de test_signs.
- Transmettez le vecteur des prédictions et le vecteur des signes réels à table() pour qu'il les croise.
Calculez la précision globale de l'apprenant kNN à l'aide de la fonction mean().

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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