Recomendaciones a partir de datos binarios
Como ves por el ROEM, estos modelos aún pueden generar predicciones de prueba útiles. Ahora veamos las recomendaciones reales.
La función col de la clase pyspark.sql.functions ya se ha importado por ti.
Este ejercicio forma parte del curso
Creación de motores de recomendación con PySpark
Instrucciones del ejercicio
- Se te proporciona el dataframe
original_ratings. Contiene las valoraciones originales que dieron los usuarios. Usa.filter()para examinar las valoraciones originales del usuario 26. - También se proporciona el dataframe
binary_recs. Contiene las recomendaciones para cada usuario. Usa.filter()para examinar las recomendaciones dondeuserId == 26. ¿Parecen coherentes con las recomendaciones que dio el modelo? - Repite lo mismo con el usuario 99. Si quieres, examina otros usuarios.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# View user 26's original ratings
print ("User 26 Original Ratings:")
____.____(col("userId") == 26).show()
# View user 26's recommendations
print ("User 26 Recommendations:")
binary_recs.filter(col("____") == 26).show()
# View user 99's original ratings
print ("User 99 Original Ratings:")
____.filter(____("userId") == 99).show()
# View user 99's recommendations
print ("User 99 Recommendations:")
binary_recs.filter(col("userId") == ____).show()