模型训练与预测
在将数据拆分为训练集和测试集之后，本练习的第二部分，您将使用训练数据来训练 ALS 算法。PySpark MLlib 的 ALS 算法有以下必需参数：rank（模型中的潜在因子数量）和 iterations（运行的迭代次数）。训练完成后，您可以使用该模型对测试数据的评分进行预测。为此，您需要提供测试数据集中的用户列和物品列，最后返回 predictAll() 输出的 2 行结果列表。
请记住，您已经在工作区中拥有 SparkContext sc，以及 training_data 和 test_data。
本练习是课程的一部分
使用 PySpark 的大数据基础
练习说明
- 使用训练数据和指定参数训练 ALS 算法（
rank= 10，iterations= 10）。 - 在测试数据中删除
rating列，它是第 3 列。 - 使用测试数据预测评分以测试模型。
- 返回预测评分结果中的两行列表。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Create the ALS model on the training data
model = ALS.____(____, rank=10, iterations=10)
# Drop the ratings column
testdata_no_rating = test_data.___(lambda p: (p[0], ____))
# Predict the model
predictions = model.____(testdata_no_rating)
# Return the first 2 rows of the RDD
predictions.____(2)