创建训练/测试划分并构建 ALS 模型

您在上一章已经学习了如何构建 ALS 模型。我们将再次完成这个过程，但这一次会增加一些步骤，以完整构建一个带交叉验证的模型。

首先，请导入所需函数，并创建训练集和测试集，为后续的交叉验证做好准备。

本练习是课程的一部分

使用 PySpark 构建推荐引擎

查看课程

练习说明

从 ml.evaluation 导入 RegressionEvaluator，从 ml.recommendation 导入 ALS 算法，并从 ml.tuning 导入 ParamGridBuilder 和 CrossValidator。
使用 randomSplit 方法在 ratings 数据上创建 0.80/0.20 的训练/测试划分。将数据集命名为 train 和 test，并将随机种子设为 1234。
构建 ALS 模型，告知 Spark 在 ratings 数据框中对应 userCol、itemCol 和 ratingCol 的列名。将 nonnegative 参数设为 True，coldStartStrategy 设为 "drop"，并通过将 implicitPrefs 参数设为 False 告诉 Spark 这不是隐式反馈。将该模型命名为 als。
通过对 als 调用 type() 函数来验证模型是否已创建。输出应指示模型的类型。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Import the required functions
from pyspark.ml.evaluation import ____
from pyspark.ml.recommendation import ____
from pyspark.ml.tuning import ____, ____

# Create test and train set
(train, test) = ratings.___([0.____, 0.____], seed = ____)

# Create ALS model
als = ALS(userCol="____", itemCol="____", ratingCol="____", nonnegative = ____, implicitPrefs = ____)

# Confirm that a model called "als" was created
type(____)

编辑并运行代码