建立 ALS 模型

來指定你的第一個 ALS 模型。請完成下方程式碼，建立你的第一個 ALS 模型。

記得你可以在 ratings 資料框上使用 .columns 方法，查看包含使用者、電影與評分資料的欄位名稱。Spark 需要知道這些欄位名稱，才能正確執行 ALS。

本練習屬於課程

使用 PySpark 打造推薦引擎

檢視課程

練習說明

在建立 ALS 模型之前，先把資料分成訓練資料與測試資料。使用 randomSplit() 方法，將 ratings 資料框以 0.8/0.2 的比例分成 training_data 和 test_data，並將隨機數產生器的 seed 設為 42。
告訴 Spark 哪些欄位是 userCol、itemCol 和 ratingCol。需要時可使用 .columns 方法。完成超參數設定：將 rank 設為 10、maxIter 設為 15、regParam（lambda）設為 .1、coldStartStrategy 設為 "drop"、nonnegative 設為 True，且因為資料包含顯性評分，將 implicitPrefs 設為 False。
透過在提供的 training_data 上呼叫 als.fit()，將 als 模型擬合到 ratings 的 training_data 區段。把擬合後的模型命名為 model。
透過在提供的 test_data 上呼叫 model.transform()，在 ratings 的 test_data 區段產生預測。把預測命名為 test_predictions。你也可以呼叫 test_predictions 的 .show() 方法來檢視預測結果。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# 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()

編輯並執行程式碼