Generera prediktioner och beräkna RMSE
Nu när vi har en modell som är tränad på våra data och finjusterad med korsvalidering kan vi se hur den presterar på dataramen test. För att göra detta beräknar vi RMSE.
Ett sidoanmärkning: att generera testprediktioner tar mer än ett par minuter med den här datamängden. Därför har testprediktionerna redan genererats och tillhandahålls här som en dataram kallad test_predictions. Som referens genereras de med den här koden: test_predictions = best_model.transform(test).
Den här övningen är en del av kursen
Bygg rekommendationsmotorer med PySpark
Övningsinstruktioner
- Dataramen
test_predictionsinnehåller prediktioner som vår korsvaliderade ALS-modell genererade med hjälp av dettest-set vi skapade tidigare. Använd metoden.show()för att titta på den och se om prediktionerna verkar rimliga. - Använd den
evaluatordu byggde tidigare för att beräknaRMSEgenom att anropa metoden.evaluate()på de genereradetest_predictions. Spara resultatet somRMSE. - Skriv ut
RMSE.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# View the predictions
test_predictions.____()
# Calculate and print the RMSE of test_predictions
RMSE = evaluator.____(____)
print(____)