本节介绍smartbi连接数据挖掘实验、服务引擎和Python计算机点以及测试服务是否正常运行。
测试数据挖掘及组件
1.检查smartbi连接数据挖掘引擎配置
①登录smartbi，检查当前连接的数据挖掘引擎配置
系统运维--系统选项—引擎设置，如图所示，实验引擎和服务引擎连接地址无误后，点击测试连接，均能提示连接成功。
②系统运维–系统选项–执行引擎–引擎配置，检查配置，确认连接信息
引擎和服务所在的主机名不能带有小数点或下划线。
③系统运维–系统选项–执行引擎–计算节点，检查配置，确认连接信息
浏览器访问spark master webui, 访问地址:http://sparkmaster安装机器ip:8080， 比如spark master安装在192.168.137.141机器，那访问地址就是: http://192.168.137.141:8080
访问后，显示如下，第一个框是指spark master连接地址，第二个框是指spark可分配的cpu核数，第三个框指spark可分配的内存数。
系统运维—系统选项—执行引擎—计算节点配置
如下图所示，重点配置红框地方，第一个框填写spark master连接地址，其它选项配置策略推荐如下(某种场景下，这并不是最优策略，可根据实际情况调整)：
Spark配置解析
1.executor.instances * executor.memory <= spark可分配的内存数 * 0.75(例如上图: 48G * 0.75 = 36)
2.executor.instances * executor.cores <= spark可分配的cpu核数 * 0.75(例如上图: 6核 * 0.75 = 4)
3.cores.max = executor.instances * executor.cores
默认情况下，executor.memory 配置为8G，除非总的内存比8G还小，根据上面策略，其它选项配置如下
executor.instances = spark可分配的内存数 * 0.75 / executor.memory = 48 * 0.75 / 8 = 4
executor.cores = spark可分配的cpu核数 * 0.75 / executor.instances = 6 * 0.75 / 4 = 1
cores.max = executor.instances * executor.cores = 4 * 1 = 4
给引擎分配的cpu个数、内存大小，不能超过spark服务器拥有的cpu个数、总内存的大小，否则引擎会启动失败。
④系统运维–系统选项–服务引擎，检查配置，确认连接信息
2.测试数据挖掘实验引擎
1）登陆smartbi，打开数据挖掘-案例-选择一个案例，打开。
2）保存数据挖掘实验，运行数据挖掘，运行成功即数据挖掘实验部署成功。
3.测试数据挖掘服务引擎
1）打开数据挖掘-案例-波士顿房价预测。
2）保存示例，点击运行，等待运行成功。
3）右键点击”训练”-模板-保存模型。
4）保存的的模型可以在左侧导航栏的”已训练模型”中查看。右键删除”随机森林”，”训练”。
5）将保存的示例模型拖入，并与”预测连线”。
6）导航栏-服务-拖入 服务输入、服务输出，并连线，运行成功后点击部署服务。
7）服务部署成功后选择服务测试，显示测试结果。
Smartbi-Engine-Service部署测试成功。
4.测试数据挖掘服务引擎-Python计算节点
1）打开 数据挖掘 > 新建实验 。
2）拖拽“示例数据源”，选择数据源 - 保存 - 运行 - 运行成功
3）拖拽PYTHON脚本，与示例数据源连线，点击Python脚本。
4）点击确定。
5）点击运行，提示运行成功，则Python计算节点部署成功。
