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 метод отвечает за обучение модели случайного леса в Spark?

 fitModel()

 fit()

 trainModel()

 train()

2. 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 оценку модели

 за формирование вектора целевой переменной для модели

 за формирование вектора предсказаний для модели

 за формирование вектора признаков для дальнейшего обучения модели

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

 Assembler

 FeatureVector

 VectorAssemble

 VectorAssembler

4. За что отвечает следующий фрагмент кода:

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

rfModel = rf.fit(train)

 за оценку модели случайных лесов

 за предсказание результатов на основе обученной модели случайных лесов

 за формирование вектора ключевых фичей (признаков)

 за обучение модели случайных лесов

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

 RandomForest

 RandomForestRegressor

 ForestRegressor

 RandomForestModelRegressor

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

 metricName

 metricParameter

 currentMetric

 metric

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

 за указание вектора целевой переменной

 за указание колонки, содержащей вектор признаков

 за формирование вектора целевой переменной

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

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

 treesNumber

 numTrees

 treesQuantity

 numberOfTrees

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

 predict()

 get()

 getPredict()

 transform()

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

 ForestRegressionEvaluator

 RegressionEvaluator

 RandomForestEvaluator

 RandomForestRegressionEvaluator

 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