CommencezCommencez gratuitement

Générer des prédictions et calculer la RMSE

Maintenant que nous avons un modèle entraîné sur nos données et ajusté par validation croisée, voyons comment il se comporte sur le dataframe test. Pour ce faire, nous allons calculer la RMSE.

À noter : la génération des prédictions de test prend plus que quelques minutes avec cet ensemble de données. Pour cette raison, les prédictions de test ont déjà été générées et sont fournies ici sous forme de dataframe nommé test_predictions. Pour votre référence, elles sont générées avec ce code : test_predictions = best_model.transform(test).

Cette activité fait partie du cours

Créer des moteurs de recommandation avec PySpark

Voir le cours

Instructions de l’exercice

  • Le dataframe test_predictions contient les prédictions que notre modèle ALS validé croisé a générées à partir de l'ensemble test que nous avons créé plus tôt. Utilisez la méthode .show() pour l'examiner et vérifier si les prédictions semblent proches.
  • Utilisez l'evaluator que vous avez construit précédemment pour calculer la RMSE en appelant la méthode .evaluate() sur test_predictions. Nommez ce résultat RMSE.
  • Affichez la valeur de la RMSE.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# View the predictions 
test_predictions.____()

# Calculate and print the RMSE of test_predictions
RMSE = evaluator.____(____)
print(____)
Modifier et exécuter le code