Indiquez à Spark comment optimiser votre modèle ALS

• Importez RegressionEvaluator depuis pyspark.ml.evaluation ainsi que ParamGridBuilder et CrossValidator depuis pyspark.ml.tuning.
• Créez un ParamGrid nommé param_grid à l'aide de ParamGridBuilder. Appelez la méthode .addGrid() pour chaque hyperparamètre en fournissant le nom du modèle et le nom de l'hyperparamètre (ex. : .addGrid(als.rank, [])). Faites-le pour les hyperparamètres rank, maxIter et regParam. Indiquez aussi les listes de valeurs qu'Spark doit tester, comme suit :

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

• Créez un RegressionEvaluator appelé evaluator. Réglez metricName à "rmse", labelCol à "rating", et indiquez à Spark que, lorsqu'il génère des prédictions, la colonne de sortie predictionCol doit s'appeler "prediction".
• Exécutez len(param_grid) pour confirmer que le param_grid a été créé et que le bon nombre de combinaisons d'hyperparamètres sera testé. Il doit être égal au nombre de valeurs de rank × le nombre de valeurs de maxIter × le nombre de valeurs de regParam dans le 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))