OneHotEncoder是一种不能够被scikit-learn的估计器使用的类别特征转换函数。（）

著名的C4.5决策树算法使用（）来选择最优划分属性。

训练样本集S含有天气、气温、人体感受、风力4个指标，已知天气的熵为0.694，温度的熵为0.859，人体感受的熵为0.952，风力的熵为0.971，如使用ID3算法，选择（）为树模型的分界点。

决策树的基本流程遵循（）的策略。

变量的不确定性越大，相对应信息熵的变化是（）。

下列聚类方法中采用概率模型来表达聚类的是（）。

（）不属于聚类性能度量外部指标。

划分聚类算法是一种简单的较为基本的重要聚类方法。它的主要思想是通过将数据点集分为（）个划分，并使用重复的控制策略使某个准则最优化，以达到最终的结果。

K-Means算法无法聚（）样本。

聚类是一种典型的无监督学习任务，然而在现实聚类任务中我们往往能获得一些额外的监督信息，于是可通过（）来利用监督信息以获得更好的聚类效果。

当不知道数据所带标签时，可以使用（）促使带同类标签的数据与带其他标签的数据相分离。