CommencezCommencez gratuitement

Recommandations à partir de données binaires

Comme vous le voyez avec le ROEM, ces modèles peuvent quand même produire des prédictions de test pertinentes. Regardons maintenant les recommandations concrètes.

La fonction col de la classe pyspark.sql.functions a été importée pour vous.

Cette activité fait partie du cours

Créer des moteurs de recommandation avec PySpark

Voir le cours

Instructions de l’exercice

  • Le dataframe original_ratings est fourni. Il contient les cotes originales fournies par les utilisateurs. Utilisez .filter() pour examiner les cotes originales de l'utilisateur 26.
  • Le dataframe binary_recs est aussi fourni. Il contient les recommandations pour chaque utilisateur. Utilisez .filter() pour examiner les recommandations où userId == 26. Sont-elles cohérentes avec celles que le modèle a proposées?
  • Faites la même chose pour l'utilisateur 99. N'hésitez pas à examiner d'autres utilisateurs.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()
Modifier et exécuter le code