在处理连续型变量数据集中的缺失值时，可以考虑以下方法：插值法：可以使用线性插值、多项式插值、样条插值等方法来填补缺失值，但需要注意插值方法的选择和插值效果的评估。EM算法：EM算法是一种迭代算法，可以用来估计缺失值的概率分布，并进行填补。随机森林填补：随机森林是一种基于决策树的集成学习方法，可以用来预测缺失值并进行填补。

正确答案是：A: 插值法填补 B:EM算法填补 C:随机森林填补

对于连续型变量的数据集存在缺失值的情况，可以采用多种方法进行处理，以下是几种常见的方法：

A: 插值法填补
插值法是根据已知数据点之间的关系，推算出缺失值。常见的插值方法有线性插值、多项式插值和样条插值等。

B: EM算法填补
EM（Expectation-Maximization）算法是一种迭代算法，用于在存在缺失数据的情况下进行参数估计。它通过反复进行期望步骤（E步骤）和最大化步骤（M步骤），逐步逼近缺失值的最优估计。

C: 随机森林填补
随机森林填补是一种基于机器学习的方法，它利用随机森林模型对缺失值进行预测。随机森林是一种集成学习方法，通过构建多个决策树并结合其结果来提高预测的准确性。

综上所述，这三种方法都是处理连续型变量缺失值的有效方法，因此答案是A、B和C。具体选择哪种方法取决于数据的特性和实际应用场景。