Construir um modelo ALS

Vamos especificar seu primeiro modelo ALS. Complete o código abaixo para construir seu primeiro modelo ALS.

Lembre-se de que você pode usar o método .columns no data frame ratings para ver os nomes das colunas que contêm os dados de usuário, filme e avaliações. O Spark precisa saber os nomes dessas colunas para executar o ALS corretamente.

Este exercicio faz parte do curso

Construindo mecanismos de recomendação com PySpark

Ver curso

Instruções do exercicio

Antes de construir nosso modelo ALS, precisamos dividir os dados em dados de treinamento e dados de teste. Use o método randomSplit() para dividir o dataframe ratings em training_data e test_data usando, respectivamente, uma divisão de 0.8/0.2 e um seed para o gerador de números aleatórios de 42.
Informe ao Spark quais colunas contêm userCol, itemCol e ratingCol. Use o método .columns se necessário. Complete os hiperparâmetros. Defina rank como 10, maxIter como 15, regParam (ou lambda) como .1, coldStartStrategy como "drop", o argumento nonnegative deve ser True e, como nossos dados contêm avaliações explícitas, defina o argumento implicitPrefs como False.
Agora ajuste o modelo als à parte training_data dos dados ratings chamando o método als.fit() sobre o training_data fornecido. Chame o modelo ajustado de model.
Gere previsões na parte test_data dos dados ratings chamando o método model.transform() sobre o test_data fornecido. Chame as previsões de test_predictions. Fique à vontade para visualizar as previsões chamando o método .show() em test_predictions

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Split the ratings dataframe into training and test data
(training_data, test_data) = ratings.____([____, ____], seed=42)

# Set the ALS hyperparameters
from pyspark.ml.recommendation import ALS
als = ALS(userCol="____", itemCol="____", ratingCol="____", rank =____, maxIter =____, regParam =____,
          coldStartStrategy="____", nonnegative =____, implicitPrefs = ____)

# Fit the mdoel to the training_data
____ = ____.fit(____)

# Generate predictions on the test_data
____ = ____.transform(____)
test_predictions.show()

Editar e Executar Código