このモデルの RMSE は 0.633 でした。これが意味する内容として最も適切なものをクリックしてください。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この章では、レコメンデーションエンジンの強力さを示し、協調フィルタリングとコンテンツベースのエンジンの重要な違い、そしてレコメンデーションエンジンが利用できる暗黙的データと明示的データの種類を整理します。さらに、顧客データセットに存在するかもしれない隠れた特徴（潜在特徴）を見つけ出す非常に有効な方法についても学びます。
この章では、行列の乗算と行列分解の基本を復習し、Alternating Least Squares アルゴリズムがどのように動作するのか、最適なレコメンデーションを返すためにどのような引数やハイパーパラメーターを用いるのかを掘り下げます。あわせて、Spark で ALS を適用するためにデータを適切に前処理する重要な手法も学びます。
この章では MovieLens データセットを紹介します。ALS に適しているかを評価する手順を確認し、クロスバリデーション付きの ALS モデルを一から構築し、その性能を評価する方法を学びます。これは、今後 PySpark を使って構築するすべての ALS モデルの基盤となります。
現在の演習
現実の多くの場面では、ALS モデルの構築に理想的な顧客データは手に入りません。この章では、顧客の行動データから評価を「推定」し、その推定評価を使って ALS のレコメンデーションエンジンを構築する方法を学びます。Million Songs データセットと別バージョンの MovieLens データセットを使い、手元のデータを活用して ALS によるレコメンデーションエンジンを構築し、その性能を評価する方法を示します。
