我試圖在PySpark MLlib（1.3.1）中的ALS模型中使用長用戶/產品ID，並且遇到問題。代碼的簡化版本，在這裏給出： from pyspark import SparkContext
from pyspark.mllib.recommendation import ALS, Rating
sc = SparkContext("","test")
# Load and pars
我試圖在pyspark上運行Spark MLlib軟件包，並附帶一個測試機器學習數據集。我將數據集分成半訓練數據集和半測試數據集。以下是我建立模型的代碼。但是，它顯示了所有因變量中NaN，NaN的重量。無法弄清楚爲什麼。但是，當我嘗試使用StandardScaler函數來標準化數據時，它很有用。 model = LinearRegressionWithSGD.train(train_data, s
我想嘗試一個ALS機器學習算法的例子。而我的代碼工作正常，但我不明白算法中使用的參數rank。 我有以下在Java // Build the recommendation model using ALS
int rank = 10;
int numIterations = 10;
MatrixFactorizationModel model = ALS.train(J
我正在使用ALS（Spark版本：1.3.1）來培訓推薦系統。現在我想通過交叉驗證使用Pipeline進行模型選擇。作爲第一步，我試着去適應the example code以及與此想出了： val conf = new SparkConf().setAppName("ALS").setMaster("local")
val sc = new SparkContext(conf)
val sql