Avant de construire notre modèle ALS, nous devons diviser les données en un jeu d’entraînement et un jeu de test. Utilisez la méthode randomSplit() pour scinder le dataframe ratings en training_data et test_data avec une répartition respectivement de 0.8/0.2 et un seed pour le générateur aléatoire de 42.
Indiquez à Spark quelles colonnes contiennent userCol, itemCol et ratingCol. Utilisez la méthode .columns si besoin. Complétez les hyperparamètres. Définissez rank à 10, maxIter à 15, regParam (lambda) à .1, coldStartStrategy à "drop", l’argument nonnegative à True, et comme nos données contiennent des évaluations explicites, définissez l’argument implicitPrefs à False.
Ajustez maintenant le modèle als sur la partie training_data des données ratings en appelant la méthode als.fit() sur le training_data fourni. Nommez le modèle ajusté model.
Générez des prédictions sur la partie test_data des données ratings en appelant la méthode model.transform() sur le test_data fourni. Nommez les prédictions test_predictions. N’hésitez pas à visualiser les prédictions avec la méthode .show() sur test_predictions.

Aperçu de la factorisation de matrices