Запуск неявной ALS-модели с перекрёстной проверкой

Теперь, когда у нас есть несколько ALS-моделей с различными наборами гиперпараметров, можно обучить их на обучающей части набора данных msd с помощью перекрёстной проверки, затем запустить на тестовых данных и оценить качество каждой модели с помощью функции ROEM, о которой шла речь ранее. К сожалению, в рамках этого упражнения такое вычисление заняло бы слишком много времени, поэтому оно было выполнено заранее. Для справки: вы можете оценить свой model_list с помощью следующего цикла (в данном случае используется набор данных msd):

# Split the data into training and test sets
(training, test) = msd.randomSplit([0.8, 0.2])

#Building 5 folds within the training set.
train1, train2, train3, train4, train5 = training.randomSplit([0.2, 0.2, 0.2, 0.2, 0.2], seed = 1)
fold1 = train2.union(train3).union(train4).union(train5)
fold2 = train3.union(train4).union(train5).union(train1)
fold3 = train4.union(train5).union(train1).union(train2)
fold4 = train5.union(train1).union(train2).union(train3)
fold5 = train1.union(train2).union(train3).union(train4)

foldlist = [(fold1, train1), (fold2, train2), (fold3, train3), (fold4, train4), (fold5, train5)]

# Empty list to fill with ROEMs from each model
ROEMS = []

# Loops through all models and all folds
for model in model_list:
    for ft_pair in foldlist:

        # Fits model to fold within training data
        fitted_model = model.fit(ft_pair[0])

        # Generates predictions using fitted_model on respective CV test data
        predictions = fitted_model.transform(ft_pair[1])

        # Generates and prints a ROEM metric CV test data
        r = ROEM(predictions)
        print ("ROEM: ", r)

    # Fits model to all of training data and generates preds for test data
    v_fitted_model = model.fit(training)
    v_predictions = v_fitted_model.transform(test)
    v_ROEM = ROEM(v_predictions)

    # Adds validation ROEM to ROEM list
    ROEMS.append(v_ROEM)
    print ("Validation ROEM: ", v_ROEM)

Чтобы наглядно показать все шаги, тестовые предсказания для 192 моделей уже сформированы, а их значения ROEM рассчитаны. Они хранятся в предоставленном списке ROEMS. Поскольку список не является специфичным для PySpark, а numpy отлично работает со списками, воспользуемся именно им. Следуйте инструкциям ниже, чтобы найти наилучшее значение ROEM и соответствующую модель.