LoslegenKostenlos starten

Leistung des binären Modells

du hast bereits mehrere ALS-Modelle gebaut, daher machen wir das nicht noch einmal. Ein implizites ALS-Modell wurde bereits auf die binären Bewertungen des MovieLens-Datensatzes angepasst. Schauen wir uns die binary_test_predictions aus diesem Modell an, um zu sehen, was wir daraus lernen können.

Die Funktion ROEM() wurde für dich definiert. Du kannst gerne help(ROEM) in der Konsole ausführen, wenn du mehr Details zur Verwendung möchtest!

Diese Übung ist Teil des Kurses

<Kurs>Recommendation Engines mit PySpark erstellen</Kurs>
Kurs ansehen

Übungsanweisungen

  • Importiere die Funktion col aus der Klasse pyspark.sql.functions.
  • Sieh dir binary_test_predictions mit der Methode .show() an, um ein Gefühl dafür zu bekommen, wie die Daten aussehen.
  • Rufe ROEM() auf den binary_test_predictions auf, um die Leistung des Modells zu bewerten. Findest du, dass es gut abgeschnitten hat?
  • Verwende .filter(), um dir nur die Vorhersagen von Benutzer 42 anzusehen (col("userId") == 42). Fällt dir etwas auf?

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import the col function
from ____.sql.____ import ____

# Look at the test predictions
____.____()

# Evaluate ROEM on test predictions
____(____)

# Look at user 42's test predictions
binary_test_predictions.____(col("____") == ____).show()
Code bearbeiten und ausführen