Indica a Spark cómo ajustar tu modelo ALS

• 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.

# Import the requisite items
from pyspark.ml.evaluation import ____
from pyspark.ml.____ import ____, ____

# Add hyperparameters and their respective values to param_grid
____ = ParamGridBuilder() \
            .addGrid(als.rank, [____, ____, ____, ____]) \
            .addGrid(als.____, [____, ____, ____, ____]) \
            .addGrid(als.____, [____, ____, ____, ____]) \
            .build()
           
# Define evaluator as RMSE and print length of evaluator
____ = RegressionEvaluator(metricName="____", labelCol="____", predictionCol="____") 
print ("Num models to be tested: ", len(param_grid))