（）算法可以较好地避免样本的不平衡问题。

Sklearn中对模型进行选择主要是依靠（）模块。

如果数据有许多异常值，那么便不能使用数据的均值与方差去做标准化，在preprocessing模块中定义（）可以解决这个问题。

要弥补缺失值，可以使用均值、中位数、众数等，preprocessing模块中（）函数可以实现。

正则化是将样本在向量空间模型上的一个转换，经常被使用在分类与聚类中，正则化在preprocessing模块的实现函数是（）。

对于一组数据，将每个要素缩放到[-1，1]范围，而不会破坏稀疏性应该采取的函数（）。

Scikit-Learn中StandardScaler是将特征数据的分布调整成（），也就是使得数据的均值为0，方差为1。

对矩阵[[0，0，3]，[1，1，0]，[0，2，1]，[1，0，2]]进行独热编码训练后，对矩阵[[0，1，3]]进行独热编码输出结果为（）。

Scikit-Learn中，（）可以实现整数分类值转化为独热向量。

生成多项式和交互特征使用preprocessing模块中的（）函数。

Sklearn库中对数据进行预处理和规范化主要依靠（）模块。