Importez RegressionEvaluator depuis pyspark.ml.evaluation et ParamGridBuilder ainsi que CrossValidator depuis pyspark.ml.tuning.
Construisez un ParamGrid nommé param_grid en utilisant le ParamGridBuilder fourni. Appelez la méthode .addGrid() pour chaque hyperparamètre en fournissant le nom du modèle et le nom de chaque hyperparamètre (ex. : .addGrid(als.rank, [])). Faites-le pour les hyperparamètres rank, maxIter et regParam. Indiquez également les listes respectives de valeurs d’hyperparamètres que Spark doit essayer, comme indiqué ici :

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

Créez un RegressionEvaluator nommé evaluator. Définissez metricName sur "rmse", labelCol sur "rating", et indiquez à Spark que lorsqu’il génère des prédictions, il doit nommer la predictionCol "prediction".
Exécutez len(param_grid) pour confirmer que le param_grid a été créé et pour vérifier 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.

Interpréter la RMSE