Grátis: Ao treinar um modelo preditivo com busca de hiperparâmetros usando CrossValidator no PySpark MLlib em um cluster grande, qual parâmetro permite par... – Questões Respondidas

Tecnologia da Informação

Outros

Ao treinar um modelo preditivo com busca de hiperparâmetros usando CrossValidator no PySpark MLlib em um cluster grande, qual parâmetro permite paralelizar a avaliação dos modelos?
Ao treinar um modelo preditivo com busca de hiperparâmetros usando CrossValidator no PySpark MLlib em um cluster grande, qual parâmetro permite paralelizar a avaliação dos modelos?
A numFolds=10
B parallelism=N(onde N é o grau de paralelismo desejado)
C setBatchSize(1000)
D enableDistributedThreads(True)

Aprendendo Através de Exercícios

há 3 horas

Aprendendo Através de Exercícios

há 3 horas

Simulado 06 - Machine Learning MLlib

ESTÁCIO EAD

Respostas

Ed

há 3 horas

No PySpark MLlib, ao usar o CrossValidator para busca de hiperparâmetros, o parâmetro que permite paralelizar a avaliação dos modelos é o parallelism. Esse parâmetro define o grau de paralelismo, ou seja, quantas avaliações de modelos podem ser executadas simultaneamente no cluster. Analisando as alternativas: A) numFolds=10 — define o número de folds para validação cruzada, não paraleliza. B) parallelism=N (onde N é o grau de paralelismo desejado) — correto, controla a paralelização. C) setBatchSize(1000) — não é parâmetro do CrossValidator para paralelismo. D) enableDistributedThreads(True) — não é parâmetro válido no contexto. Resposta correta: B) parallelism=N (onde N é o grau de paralelismo desejado)

Essa resposta te ajudou?

0

0

Ainda não achou a resposta?

Integrado com os principais modelos de IA do mercado
Respostas em segundos
IA treinada para estudantes brasileiros.

Evolua sua forma de estudar

Cadastre-se ou realize login

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

Simulado 06 - Machine Learning MLlib

ESTÁCIO EAD

Mais perguntas desse material

Na biblioteca PySpark MLlib, qual é a principal exigência no formato dos dados de entrada antes de passar as variáveis preditivas para um algoritmo de Machine Learning (ex: RandomForestClassifier)?
Na biblioteca PySpark MLlib, qual é a principal exigência no formato dos dados de entrada antes de passar as variáveis preditivas para um algoritmo de Machine Learning (ex: RandomForestClassifier)?
A Todas as variáveis numéricas devem ser normalizadas entre 0 e 1 em colunas separadas do tipo Float.
B As colunas de features devem ser combinadas em uma única coluna do tipo vetor denso/esparso, geralmente via VectorAssembler.
C Os dados devem ser convertidos obrigatoriamente para NumPy Arrays no Driver Node.
D É necessário converter todas as variáveis categóricas em arquivos JSON separados antes do treino.

Qual é a diferença conceitual entre um Transformer e um Estimator na API de Pipelines do PySpark MLlib?
Qual é a diferença conceitual entre um Transformer e um Estimator na API de Pipelines do PySpark MLlib?
A UmTransformerimplementa o método transform()(ex: StringIndexer fitted), enquanto um Estimator possui o método fit() para treinar e produzir um Transformer.
B UmTransformer roda exclusivamente em GPUs, enquanto um Estimator executa apenas na CPU do Driver.
C Estimator é usado para regressão linear e Transformer é usado apenas para algoritmos de agrupamento (K-Means).
D Não há diferença; ambos são sinônimos na API do Spark.

Para transformar uma coluna contendo rótulos categóricos em texto (ex: "baixo", "médio", "alto") em índices numéricos para modelagem e posteriormente reverter o processo, quais classes do PySpark MLlib devem ser usadas em conjunto?
Para transformar uma coluna contendo rótulos categóricos em texto (ex: "baixo", "médio", "alto") em índices numéricos para modelagem e posteriormente reverter o processo, quais classes do PySpark MLlib devem ser usadas em conjunto?
A OneHotEncodereStandardScaler
B StringIndexereIndexToString
C TokenizereStopWordsRemover
D PCAePolynomialExpansion