คำแนะนำจากข้อมูลแบบไบนารี
จากค่า ROEM จะเห็นว่าโมเดลเหล่านี้ยังสามารถสร้างการทำนายบนชุดทดสอบที่มีความหมายได้ มาดูคำแนะนำจริง ๆ กัน
ฟังก์ชัน col จากคลาส pyspark.sql.functions ถูก import ไว้ให้แล้ว
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การสร้าง Recommendation Engines ด้วย PySpark
คำแนะนำการฝึกหัด
- dataframe
original_ratingsถูกเตรียมไว้ให้แล้ว โดยมีคะแนนที่ผู้ใช้ให้ไว้เดิม ใช้.filter()เพื่อดูคะแนนเดิมของผู้ใช้หมายเลข 26 - dataframe
binary_recsก็ถูกเตรียมไว้ให้เช่นกัน โดยมีคำแนะนำสำหรับผู้ใช้แต่ละคน ใช้.filter()เพื่อดูคำแนะนำของuserId == 26คำแนะนำเหล่านี้สอดคล้องกับสิ่งที่โมเดลให้ไว้หรือไม่ - ทำแบบเดียวกันกับผู้ใช้หมายเลข 99 และลองตรวจสอบผู้ใช้รายอื่น ๆ ได้ตามต้องการ
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# View user 26's original ratings
print ("User 26 Original Ratings:")
____.____(col("userId") == 26).show()
# View user 26's recommendations
print ("User 26 Recommendations:")
binary_recs.filter(col("____") == 26).show()
# View user 99's original ratings
print ("User 99 Original Ratings:")
____.filter(____("userId") == 99).show()
# View user 99's recommendations
print ("User 99 Recommendations:")
binary_recs.filter(col("userId") == ____).show()