以下哪一类场景最适合 RPA 应用？（）

bagging不允许训练实例被同一个预测器多次采样。

通过计算一个特征在森林中所有树上的平均深度，可以估算出一个特征的重要程度。

随机森林的一大优势在于它既可用于分类，也可用于回归问题。

信息的不确定性越大，熵的值也就越大。

Gini指数越大表示集合中被选中的样本被分错的概率越小，也就是说集合的纯度越高。

数据集太小，数据样本不足时，深度学习相对其它机器学习算法，有明显优势。

Kmean模型能自动生成K个聚类中心。

KNN不需要进行训练。

LR的损失函数为hingeloss（或者说是逻辑损失都可以）、而SVM的损失函数为Log损失。

LR更侧重全局优化，而树模型主要是局部的优化。