推荐音乐艺术家（I）

在本练习和下一个练习中，您将运用关于 NMF 的所学来推荐流行的音乐艺术家！给您的是一个稀疏数组 artists，其行对应艺术家，列对应用户。每个条目表示每位用户收听相应艺术家的次数。

在本练习中，请构建一个流水线，并将数组转换为归一化的 NMF 特征。流水线的第一步 MaxAbsScaler 会对数据进行缩放，使所有用户对模型的影响相同，而不受他们收听了多少不同艺术家的影响。在下一个练习中，您将使用得到的归一化 NMF 特征来进行推荐！

本练习是课程的一部分

Python 中的无监督学习

查看课程

练习说明

导入：
- 从 sklearn.decomposition 导入 NMF。
- 从 sklearn.preprocessing 导入 Normalizer 和 MaxAbsScaler。
- 从 sklearn.pipeline 导入 make_pipeline。
创建名为 scaler 的 MaxAbsScaler 实例。
创建具有 20 个组件、名为 nmf 的 NMF 实例。
创建名为 normalizer 的 Normalizer 实例。
创建名为 pipeline 的流水线，按顺序串联 scaler、nmf 和 normalizer。
对 artists 调用 pipeline 的 .fit_transform() 方法。将结果赋给 norm_features。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Perform the necessary imports
from ____ import ____
from ____ import ____, ____
from ____ import ____

# Create a MaxAbsScaler: scaler
scaler = ____

# Create an NMF model: nmf
nmf = ____

# Create a Normalizer: normalizer
normalizer = ____

# Create a pipeline: pipeline
pipeline = ____

# Apply fit_transform to artists: norm_features
norm_features = ____

编辑并运行代码