BaşlayınÜcretsiz başlayın

Öneriler mantıklı mı

Modelimizin ne kadar iyi performans gösterdiğini artık bildiğimize ve kullanıcılara alakalı öneriler sunacağına dair bir güven kazandığımıza göre, şimdi bir kullanıcıya yapılan önerilere gerçekten bakalım ve mantıklı olup olmadıklarını görelim.

Orijinal puanlama verileri original_ratings olarak sağlanıyor. Kullanıcı 60 ve kullanıcı 63'ün orijinal puanlamalarına bak ve bunları ALS'in onlar için önerdikleriyle karşılaştır. Sence öneriler, kullanıcıların orijinal tercihleriyle tutarlı mı?

Bu egzersiz, kursun bir parçasıdır

PySpark ile Öneri Motorları Oluşturma

Kursa Göz Atın

Egzersiz talimatları

  • original_ratings veri çerçevesinde .filter() kullanarak col("userId") değerinin 60 olmasını sağla; böylece kullanıcı 60'ın orijinal puanlamalarına bakarsın. Çıktıyı ratinge göre sıralamak için .sort() metodunu çağır ve en yüksek puanları önce görmek için ascending argümanını False olarak ayarla.
  • Kullanıcı 60'ın önerilerine bakmak için recommendations veri kümesi üzerinde .filter() ve .show() metodlarını kullan. ALS öneriler oluşturduğunda, bunlar userId'ye göre azalan sırada verilir; bu yüzden veri çerçevesini sıralamana gerek yok.
  • Aynısını kullanıcı 63 için de yap.
  • Önerilen türler, her kullanıcının orijinal puanlamalarıyla belli bir tutarlılık gösteriyor mu?

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Look at user 60's ratings
print("User 60's Ratings:")
original_ratings.filter(col("____") == 60).____("rating", ____ = False).show()

# Look at the movies recommended to user 60
print("User 60s Recommendations:")
____.____(col("userId") == ____).show()

# Look at user 63's ratings
print("User 63's Ratings:")
original_ratings.filter(col("____") == ____).____("rating", ____ = False).show()

# Look at the movies recommended to user 63
print("User 63's Recommendations:")
____.____(col("userId") == ____).show()
Kodu Düzenle ve Çalıştır