Классификация набора дорожных знаков

Автономный автомобиль успешно остановился самостоятельно, и ваша команда уверенно позволяет ему продолжить испытательный маршрут.

На маршруте встречается ещё 59 дорожных знаков трёх типов:

Stop Sign Speed Limit Sign Pedestrian Sign

По завершении испытания вам нужно оценить общую точность распознавания знаков автомобилем.

Пакет class и набор данных signs уже загружены в вашем рабочем пространстве. Там же находится фрейм данных test_signs — набор наблюдений, на которых вы будете проверять модель.

Это упражнение является частью курса

Обучение с учителем в R: классификация

Посмотреть курс

Инструкции к упражнению

Классифицируйте данные test_signs с помощью knn().
- Задайте аргумент train как наблюдения из signs без меток.
- Используйте test_signs в качестве аргумента test, также без меток.
- В качестве аргумента cl используйте предоставленный вектор меток.
Используйте table(), чтобы оценить качество классификатора по трём типам знаков (матрица ошибок).
- Создайте вектор signs_actual, извлёкши метки из test_signs.
- Передайте вектор предсказаний и вектор фактических меток в table(), чтобы построить таблицу сопряжённости.
Вычислите общую точность алгоритма kNN с помощью функции mean().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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(___ == ___)

Редактировать и запускать код