Spark को बताएँ कि आपका ALS मॉडल कैसे ट्यून करना है

• pyspark.ml.evaluation से RegressionEvaluator और pyspark.ml.tuning से ParamGridBuilder तथा CrossValidator इम्पोर्ट करें.
• दिए गए ParamGridBuilder का उपयोग करके param_grid नाम का ParamGrid बनाएँ। हर हाइपरपैरामीटर पर .addGrid() मेथड कॉल करें, जहाँ मॉडल का नाम और हाइपरपैरामीटर का नाम दें (उदा.: .addGrid(als.rank, [])). यह rank, maxIter और regParam हाइपरपैरामीटर्स के लिए करें। साथ ही, Spark को आज़माने के लिए नीचे दिए गए हाइपरपैरामीटर मानों की सूचियाँ पास करें:

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

• evaluator नाम का एक RegressionEvaluator बनाएँ। metricName को "rmse" पर सेट करें, labelCol को "rating" पर सेट करें, और Spark को बताएँ कि प्रेडिक्शंस बनाते समय predictionCol को "prediction" कहा जाए।
• len(param_grid) चलाएँ ताकि पुष्टि हो कि param_grid बन गया है और सही संख्या में हाइपरपैरामीटर कॉम्बिनेशंस टेस्ट होंगे। यह ParamGridBuilder में दी गई rank मानों की संख्या * maxIter मानों की संख्या * regParam मानों की संख्या के बराबर होना चाहिए।

# 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))