Importa RegressionEvaluator de pyspark.ml.evaluation y ParamGridBuilder y CrossValidator de pyspark.ml.tuning.
Construye un ParamGrid llamado param_grid usando el ParamGridBuilder proporcionado. Llama al método .addGrid() para cada hiperparámetro indicando el nombre del modelo y el nombre de cada hiperparámetro (p. ej., .addGrid(als.rank, [])). Hazlo para los hiperparámetros rank, maxIter y regParam. Indica también las listas de valores de hiperparámetros que Spark debe probar, tal como se muestran aquí:

 rank: [10, 50, 100, 150]  
 maxIter: [5, 50, 100, 200]  
 regParam: [.01, .05, .1, .15]

Crea un RegressionEvaluator llamado evaluator. Establece metricName en "rmse", labelCol en "rating", y dile a Spark que, cuando genere predicciones, llame a la predictionCol "prediction".
Ejecuta len(param_grid) para confirmar que se creó el param_grid y que se probará el número correcto de combinaciones de hiperparámetros. Debe ser igual al número de valores de rank * el número de valores de maxIter * el número de valores de regParam en el ParamGridBuilder.

Interpretar el RMSE

Creación de motores de recomendación con PySpark