Recommandations à partir de données binaires

Comme vous le voyez avec le ROEM, ces modèles peuvent tout de 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.

Cet exercice fait partie du cours

<cours>Créer des moteurs de recommandation avec PySpark</cours>

Voir le cours

Instructions de l’exercice

Le dataframe original_ratings vous est fourni. Il contient les notes initiales données par les utilisateurs. Utilisez .filter() pour examiner les notes originales de l’utilisateur 26.
Le dataframe binary_recs est également fourni. Il contient les recommandations pour chaque utilisateur. Utilisez .filter() pour examiner les recommandations où userId == 26. Vous semblent-elles cohérentes avec celles fournies par le modèle ?
Faites la même chose avec l’utilisateur 99. N’hésitez pas à explorer 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