测试集包含有20000个人名，将张三添加至最后，可以选用任何的机器学习算法，对测试数据集中每一个人名进行性别预测。要求测试数据集的输出格式为人名与预测的性别使用***分隔开

针对这个任务，可以使用基于文本特征的机器学习算法。以下是一个简单的解决方案：

1. 针对每个人名，提取文本特征。可以使用词袋模型，将每个人名看作一个文档，文档中的词汇是人名中的字符序列。也可以使用n-gram模型，将每个人名表示为一组n个字符的序列。

2. 将文本特征转换为数值特征。可以使用TF-IDF方法，将每个人名表示为一个向量。也可以使用其他方法，如词向量。

3. 使用一个分类器对每个人名进行性别预测。可以使用常见的分类器，如朴素贝叶斯、支持向量机、决策树等。

下面是一个Python代码示例，使用朴素贝叶斯分类器对测试数据集中的每个人名进行性别预测。

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
from sklearn.naive_bayes import MultinomialNB

# 读取测试数据集
df_test = pd.read_csv('test_data.csv')

# 添加张三
df_test.loc[len(df_test)] = ['张三']

# 提取文本特征
vectorizer = CountVectorizer(analyzer='char', ngram_range=(2, 3))
X = vectorizer.fit_transform(df_test['name'])

# 转换为数值特征
transformer = TfidfTransformer()
X = transformer.fit_transform(X)

# 训练模型
y_train = pd.read_csv('train_data.csv')['gender']
clf = MultinomialNB()
clf.fit(X[:-1], y_train)

# 预测性别
y_pred = clf.predict(X[-1])

# 输出结果
print(df_test.loc[len(df_test)-1, 'name'] + '***' + y_pred[0])

注意：这只是一个简单的示例，实际应用中需要根据具体情况进行调整和优化。