這個模型達到了 0.633 的 RMSE。請點選最合適的解讀。
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
本章將示範推薦引擎的強大之處，並釐清協同過濾與內容型推薦引擎的差異，以及推薦引擎可使用的隱式與顯式資料類型。你也會學到一種強大的方法，能在客戶資料集中發掘你原本可能不知道存在的隱藏特徵（潛在特徵）。
本章將複習矩陣乘法與矩陣分解的基本概念，深入探討 Alternating Least Squares 演算法的運作方式，以及它為了產生最佳推薦所使用的參數與超參數。你也會學到在 Spark 中為 ALS 正確準備資料的重要技巧。
本章將介紹 MovieLens 資料集。你會逐步評估它是否適合用於 ALS、在其上建立完整的交叉驗證 ALS 模型，並學會如何評估其效能。這會成為你之後使用 PySpark 建立所有 ALS 模型的基礎。
當前練習
在多數真實情境中，你未必能取得用來建立 ALS 模型的「完美」客戶資料。本章將教你如何運用客戶行為資料來「推論」客戶評分，並用這些推論出的評分打造 ALS 推薦引擎。透過 Million Songs 資料集與另一個版本的 MovieLens 資料集，你將學會如何善用手邊可得的資料來建立 ALS 推薦引擎並評估其效能。
