区别：使用不同的属性选择度量。
信息增益偏向多值属性
信息增益率倾向产生不平衡的划分
基尼指数偏向多值属性，并且当类的数量很大时会有困难，还倾向于导致相等大小的分区和纯度
C4.5:
优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。
C4.5只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行（此时得使用RainForest）.
决策树便于使用，而且高效；根据决策树可以
很容易地构造出规则，而规则通常易于解释和理解；决策树可很好地扩展到大型数据库中，同时它的大小独立于数据库的大小；决策树模型的另外一大优点就是可以对有许多属性的数据集构造决策树。
决策树模型也有一些缺点，比如处理缺失数据时的困难，过度拟合问题的出现，以及忽略数据集中属性之间的相关性等。