Spark MLlib调整推荐系统

Question

我正在研究使用apache spark ALS的推荐系统，我在下面有这个代码，并希望为我的模型获得最佳（最低）RMSE值

val Array(training, test) = review.randomSplit(Array(0.8, 0.2))
val als = new ALS().setMaxIter(iter).setRegParam(reg).setUserCol("userId").setItemCol("movieId").setRatingCol("rating").setRank(rank)
val model = als.fit(training)
val predictions = model.transform(test)
val evaluator = new RegressionEvaluator().setMetricName("rmse").setLabelCol("rating").setPredictionCol("prediction")
val rmse = evaluator.evaluate(predictions)

这样做我正在调整以下4个选项

• 不同比例的训练，测试数据集
• 迭代
• 正规化
• 潜在因素

每次我训练新模型时，结果的误差范围太宽。有时它像0.43423456一样非常低，但有时它大于1。

所以我的问题是，

1. 如何处理这个广泛的误差范围？现在，我只是以相同的价值训练模型超过10次并选择最好的模型

2. 为了获得最佳的RMSE值，我是否需要测试所有可能的选项值？它似乎太多了，因为我从用户那里获得了新的评论数据，而新数据会影响RMSE的结果，这意味着优化的选项值每次都会有所不同

我很感激您推荐的任何信息或网址。感谢