Klasyfikacja zbioru znaków drogowych

Autonomiczny pojazd pomyślnie zatrzymał się samodzielnie, więc twój zespół z większą pewnością pozwala mu kontynuować jazdę na trasie testowej.

Trasa testowa obejmuje 59 dodatkowych znaków drogowych podzielonych na trzy typy:

Stop Sign Speed Limit Sign Pedestrian Sign

Po zakończeniu testu twoim zadaniem jest ocena ogólnej skuteczności pojazdu w rozpoznawaniu tych znaków.

Pakiet class oraz zbiór danych signs są już wczytane do twojego środowiska pracy. Podobnie jak ramka danych test_signs, która zawiera zestaw obserwacji, na których przetestujesz swój model.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe w R: Klasyfikacja

Zobacz kurs

Instrukcje do ćwiczenia

Sklasyfikuj dane test_signs za pomocą funkcji knn().
- Ustaw argument train na obserwacje ze zbioru signs bez etykiet.
- Jako argument test użyj test_signs, również bez etykiet.
- Jako argument cl użyj dostarczonego wektora etykiet.
Użyj funkcji table(), aby ocenić skuteczność klasyfikatora w rozpoznawaniu trzech typów znaków (macierz pomyłek).
- Utwórz wektor signs_actual, wyodrębniając etykiety z test_signs.
- Przekaż do funkcji table() wektor prognoz oraz wektor rzeczywistych znaków, aby utworzyć tabelę krzyżową.
Oblicz ogólną dokładność klasyfikatora kNN za pomocą funkcji mean().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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(___ == ___)

Edytuj i uruchom kod