Crea particiones de test/train y construye tu modelo ALS

Ya sabes cómo construir un modelo ALS; lo hiciste en el capítulo anterior. Vamos a repetirlo, pero daremos algunos pasos adicionales para crear un modelo con validación cruzada completa.

Primero, importemos las funciones necesarias y creemos nuestros conjuntos de entrenamiento y prueba para preparar el paso de validación cruzada.

Este ejercicio forma parte del curso

Creación de motores de recomendación con PySpark

Ver curso

Instrucciones del ejercicio

Importa RegressionEvaluator de ml.evaluation, el algoritmo ALS de ml.recommendation, y ParamGridBuilder y CrossValidator de ml.tuning.
Crea una partición de entrenamiento/prueba .80/.20 sobre los datos ratings usando el método randomSplit. Llama a los conjuntos train y test, y fija la semilla aleatoria en 1234.
Construye el modelo ALS, indicándole a Spark los nombres de las columnas del dataframe ratings que corresponden a userCol, itemCol y ratingCol. Establece el argumento nonnegative en True, coldStartStrategy en "drop" e indica a Spark que no se trata de implicitPrefs configurando el argumento implicitPrefs en False. Llama a este modelo als.
Verifica que el modelo se haya creado llamando a la función type() sobre als. La salida debería indicar de qué tipo de modelo se trata.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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(____)

Editar y ejecutar código