Clasificarea unei colecții de indicatoare rutiere

Acum că vehiculul autonom a reușit să oprească singur, echipa ta se simte suficient de încrezătoare pentru a-i permite să continue traseul de test.

Traseul include încă 59 de indicatoare rutiere împărțite în trei tipuri:

Stop Sign Speed Limit Sign Pedestrian Sign

La finalul testului, ți se cere să măsori performanța generală a mașinii în recunoașterea acestor indicatoare.

Pachetul class și setul de date signs sunt deja încărcate în spațiul tău de lucru. La fel și cadrul de date test_signs, care conține un set de observații pe care îți vei testa modelul.

Acest exercițiu face parte din cursul

Supervised Learning în R: Clasificare

Vezi cursul

Instrucțiuni pentru exercițiu

Clasifică datele din test_signs folosind knn().
- Setează train la observațiile din signs fără etichete.
- Folosește test_signs pentru argumentul test, tot fără etichete.
- Pentru argumentul cl, folosește vectorul de etichete deja furnizat.
Folosește table() pentru a analiza performanța clasificatorului în identificarea celor trei tipuri de indicatoare (matricea de confuzie).
- Creează vectorul signs_actual extragând etichetele din test_signs.
- Transmite funcției table() vectorul de predicții și vectorul indicatoarelor reale pentru a le încrucișa în tabel.
Calculează acuratețea generală a modelului kNN folosind funcția mean().

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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(___ == ___)

Editează și rulează codul