ID3算法是决策树系列中的经典算法之一，它包含了决策树作为机器学习算法的主要思想

缺点：

1.由于ID3决策树算法采用信息增益作为选择拆分属性的标准，会偏向取值较多的，即所谓高度分支属性，而这一类属性并不一定是最优的属性。

2.ID3算法只能处理离散属性，对于连续型的属性，在分类前需要对其进行离散化。

ID3算法：核心是在决策树的个级节点上，使用信息增益作为属性的选择标准，来帮助确定每个节点所采用的合适属性。

C4.5算法：使用信息增益率来选择节点属性。并且既能处理离散的描述属性也能处理连续的描述属性。

CART算法：是一种十分有效的非参数分类和回归方法，通过构建树、修剪树、评估树来构建一个二叉树。当终结点是连续变量时，该树为回归树；当终结点是分类变量时，该树为分类树。以基尼系数作为选择标准。