Hola Jesús,

El checkpoint se debe utilizar cuando tienes algoritmos con muchas iteraciones o en Spark Streaming. El checkpoint nos ayuda a liberar el "linage" de los RDD que estas creando, es decir, cada vez que creamos un RDD Spark va almacenando de donde viene ese RDD por si en caso de caída tiene que volver a regenerar los datos (ya sean enteros o de alguna partición en concreto). Si utilizamos la cache, Spark debe guardar este "linage" por lo que estamos ocupando recursos en el sistema. Con el checkpoint, al tener que realizar ese checkpoint en HDFS, no debe guardar este linage, por lo que se liberan muchos recursos.

Por esta razón el checkpoint se debería utilizar cuando se estén realizando muchas iteraciones de RDD (por ejemplo el ejercicio del K-means que indicamos en el módulo de Spark, ya que se deben realizar n iteraciones para poder resolver el algoritmo).

Un saludo.