Een verzameling verkeersborden classificeren

Nu de autonome auto zelfstandig succesvol is gestopt, heeft je team er vertrouwen in om de auto het testparcours te laten vervolgen.

Het testparcours bevat 59 extra verkeersborden, verdeeld over drie types:

Stopbord Snelheidsbord Voetgangersbord

Aan het einde van de proef wordt je gevraagd om de algehele prestaties van de auto bij het herkennen van deze borden te meten.

Het pakket class en de gegevensset signs zijn al in je werkruimte geladen. Dat geldt ook voor het data frame test_signs, met een set observaties waarop je je model gaat testen.

Deze oefening maakt deel uit van de cursus

Supervised Learning in R: Classificatie

Cursus bekijken

Oefeninstructies

Classificeer de gegevens in test_signs met knn().
- Zet train gelijk aan de observaties in signs zónder labels.
- Gebruik test_signs voor het argument test, opnieuw zonder labels.
- Gebruik voor het argument cl de vector met labels die je gekregen hebt.
Gebruik table() om de prestaties van de classifier bij het herkennen van de drie bordtypen te bekijken (de confusion matrix).
- Maak de vector signs_actual door de labels uit test_signs te halen.
- Geef de vector met voorspellingen en de vector met feitelijke borden door aan table() om ze te kruistabelleren.
Bereken de algehele nauwkeurigheid van de kNN-learner met de functie mean().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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(___ == ___)

Code bewerken en uitvoeren