Vytvoř trénovací a testovací sady a sestav model ALS

Jak sestavit model ALS už víš – dělal/a jsi to v předchozí kapitole. Uděláme to znovu, ale tentokrát přidáme několik kroků, abychom model plně připravili pro křížovou validaci.

Nejdřív naimportujeme potřebné funkce a vytvoříme trénovací a testovací datové sady pro krok křížové validace.

Toto cvičení je součástí kurzu

Tvorba doporučovacích systémů s PySparkem

Zobrazit kurz

Pokyny k cvičení

Naimportuj RegressionEvaluator z ml.evaluation, algoritmus ALS z ml.recommendation a třídy ParamGridBuilder a CrossValidator z ml.tuning.
Rozděl data ratings na trénovací a testovací sadu v poměru 80/20 pomocí metody randomSplit. Datové sady pojmenuj train a test a nastav náhodný seed na 1234.
Sestav model ALS – řekni Sparku, které sloupce dataframu ratings odpovídají userCol, itemCol a ratingCol. Argument nonnegative nastav na True, coldStartStrategy na "drop" a implicitPrefs na False, aby Spark věděl, že nepracujeme s implicitními preferencemi. Model pojmenuj als.
Ověř, že byl model vytvořen – zavolej funkci type() na proměnné als. Výstup by měl ukázat, o jaký typ modelu se jedná.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the required functions
from pyspark.ml.evaluation import ____
from pyspark.ml.recommendation import ____
from pyspark.ml.tuning import ____, ____

# Create test and train set
(train, test) = ratings.___([0.____, 0.____], seed = ____)

# Create ALS model
als = ALS(userCol="____", itemCol="____", ratingCol="____", nonnegative = ____, implicitPrefs = ____)

# Confirm that a model called "als" was created
type(____)

Upravit a spustit kód