10 вопросов на знание основ работы с алгоритмом случайных лесов в Spark: открытый интерактивный тест для начинающих изучать машинное обучение

Чтобы самостоятельное обучение по Spark стало еще интереснее, сегодня мы предлагаем вам простой тест по основам работы с алгоритмом случайных лесов в распределенном фреймворке Apache Spark, включая ее особенности и методы для работы с Big Data.

Тест по основам работы алгоритма случайных лесов в Spark для новичков

Для начинающих самостоятельное обучение по Apache Spark мы предлагаем простой интерактивный тест по этому распределенному Big Data фреймворку. Проверьте себя и ответьте на 10 вопросов об основных методах обработки Big Data с помощью алгоритма случайных лесов, которые являются неотъемлемой частью Spark. Ответы на эти вопросы мы разбирали в статье про основы работы со случайными лесами в Spark здесь. Подробно изучить темы, упоминаемые в тесте, вы сможете на практических курсах по Apache Spark в нашем лицензированном учебном центре обучения и повышения квалификации ИТ-специалистов в Москве.

Открытый тест по случайным лесам в Spark

Выбирайте из предложенных вариантов ответов тот, который считаете верным. Правильные ответы вы узнаете после того, как нажмете кнопку ОТПРАВИТЬ. Успехов!

1. Какой класс отвечает за применение модели случайного леса в Spark?

 RandomForest

 RandomForestRegressor

 RandomForestModelRegressor

 ForestRegressor

2. За что отвечает следующий фрагмент кода:

rf = RandomForestRegressor(featuresCol=»features», labelCol=’creditability’, numTrees=10)

rfModel = rf.fit(train)

 за обучение модели случайных лесов

 за формирование вектора ключевых фичей (признаков)

 за предсказание результатов на основе обученной модели случайных лесов

 за оценку модели случайных лесов

3. Какой метод отвечает за обучение модели случайного леса в Spark?

 fitModel()

 train()

 trainModel()

 fit()

4. За что отвечает следующий фрагмент кода:

evaluator = RegressionEvaluator(

labelCol=»creditability», predictionCol=»prediction», metricName=»rmse»)

rmse = evaluator.evaluate(predictions)

print(«Root Mean Squared Error (RMSE) on test data = %g» % rmse)

 за формирование вектора признаков для дальнейшего обучения модели

 за оценку модели

 за формирование вектора предсказаний для модели

 за формирование вектора целевой переменной для модели

5. Какой класс может быть использован для оценки регрессионной модели случайных лесов?

 RandomForestRegressionEvaluator

 RegressionEvaluator

 ForestRegressionEvaluator

 RandomForestEvaluator

6. Какой метод используется для предсказания на основе обученной модели случайных лесов?

 getPredict()

 predict()

 get()

 transform()

7. Какой параметр используется для указания количества деревьев, участвующих в обучении модели случайного леса?

 treesQuantity

 treesNumber

 numTrees

 numberOfTrees

8. За что отвечает параметр featuresCol в модели случайного леса Spark?

 за формирование вектора целевой переменной

 за указание вектора целевой переменной

 за указание колонки, содержащей вектор признаков

 за формирование вектора ключевых признаков, по которым будет вестись обучение модели

9. Какой параметр регрессионного оценщика отвечает за указание метрики для оценки модели?

 metricName

 currentMetric

 metricParameter

 metric

10. Какой класс используется для формирования вектора признаков в Spark?

 VectorAssembler

 VectorAssemble

 Assembler

 FeatureVector

 Загрузка …

Стоит отметить, что данный тест не претендует на звание специализированного профессионального экзамена. Однако такое небольшое упражнение способно помочь новичкам, которые начинают самостоятельно изучать машинное обучение в распределенном фреймворке Apache Spark, пытаясь разобраться с большим объемом информации, систематизировать ее и применить к решению практических задач. Также мы подготовили для вас серию тестов по отдельным разделам Apache Spark. Например, проверить свои знания по основам работы с логистической регрессией в Spark вы можете здесь.

Освоить Apache Spark на профессиональном уровне для практического использования в своих проектах анализа больших данных, разработки Big Data приложений и прочих прикладных областях Data Science вы сможете на практических курсах по Apache Spark в нашем лицензированном учебном центре обучения и повышения квалификации ИТ-специалистов в Москве:

• Графовые алгоритмы в Apache Spark
• Машинное обучение в Apache Spark
• Потоковая обработка в Apache Spark
• Основы Apache Spark для разработчиков
• Анализ данных с Apache Spark

Записаться на курс

Смотреть раcписание