Classificare una raccolta di segnali stradali

Ora che il veicolo autonomo si è fermato da solo con successo, il tuo team si sente sicuro nel permettere all'auto di proseguire nel percorso di test.

Il percorso di test include 59 ulteriori segnali stradali suddivisi in tre tipi:

Segnale di STOP Limite di velocità Attraversamento pedonale

Al termine della prova, ti viene chiesto di misurare le prestazioni complessive dell'auto nel riconoscere questi segnali.

Il pacchetto class e l'insieme di dati signs sono già caricati nel tuo workspace. Lo è anche il data frame test_signs, che contiene un insieme di osservazioni su cui testerai il tuo modello.

Questo esercizio fa parte del corso

Apprendimento supervisionato in R: Classificazione

Visualizza il corso

Istruzioni dell'esercizio

Classifica i dati test_signs usando knn().
- Imposta train uguale alle osservazioni in signs senza etichette.
- Usa test_signs per l'argomento test, di nuovo senza etichette.
- Per l'argomento cl, usa il vettore di etichette già fornito.
Usa table() per analizzare le prestazioni del classificatore nell'identificare i tre tipi di segnali (la matrice di confusione).
- Crea il vettore signs_actual estraendo le etichette da test_signs.
- Passa a table() il vettore delle predizioni e il vettore dei segnali reali per ottenere la tabella incrociata.
Calcola l'accuratezza complessiva del kNN usando la funzione mean().

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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(___ == ___)

Modifica ed esegui il codice