Klasifikasi sekumpulan rambu jalan

Setelah kendaraan otonom berhasil berhenti sendiri, tim Anda yakin untuk mengizinkan mobil melanjutkan lintasan uji.

Lintasan uji mencakup 59 rambu jalan tambahan yang terbagi menjadi tiga jenis:

Stop Sign Speed Limit Sign Pedestrian Sign

Di akhir uji coba, Anda diminta mengukur kinerja keseluruhan mobil dalam mengenali rambu-rambu tersebut.

Paket class dan himpunan data signs sudah dimuat di ruang kerja Anda. Begitu juga data frame test_signs, yang berisi sekumpulan observasi yang akan Anda gunakan untuk menguji model.

Latihan ini adalah bagian dari kursus

Supervised Learning di R: Klasifikasi

Lihat Kursus

Petunjuk latihan

Klasifikasikan data test_signs menggunakan knn().
- Atur train sama dengan observasi pada signs yang tanpa label.
- Gunakan test_signs untuk argumen test, juga tanpa label.
- Untuk argumen cl, gunakan vektor label yang telah disediakan untuk Anda.
Gunakan table() untuk meninjau kinerja pengklasifikasi dalam mengidentifikasi tiga jenis rambu (confusion matrix).
- Buat vektor signs_actual dengan mengekstrak label dari test_signs.
- Berikan vektor prediksi dan vektor rambu aktual ke table() untuk melakukan tabulasi silang.
Hitung akurasi keseluruhan kNN learner menggunakan fungsi mean().

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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(___ == ___)

Edit dan Jalankan Kode