在决策树算法中，节点不纯度是用于衡量数据在节点中的混杂程度的指标。常用的不纯度衡量指标有以下几种：

- **A: 对数损失**
对数损失（又称对数似然损失或交叉熵损失）通常用于衡量分类模型（如逻辑回归、神经网络等）的性能，不直接用于决策树的节点不纯度衡量。

- **B: 错误率**
错误率是指分类错误的比例。在决策树中，错误率可以作为一种简单的不纯度度量，但它不如信息增益和基尼指数常用。原因是错误率过于粗糙，它不能充分反映出类别分布的多样性。

- **C: 基尼指数**
基尼指数是度量节点不纯度的常用指标之一。基尼指数反映了从数据集中随机抽取两个样本，它们类别不一致的概率。基尼指数越小，节点越纯。

- **D: 信息熵**
信息熵是另一种常用的不纯度度量。熵值越高，表示节点越不纯。信息增益是基于熵的节点划分标准，用于衡量通过某个特征划分数据集所获得的信息增益。

因此，正确答案是：**C: 基尼指数** 和 **D: 信息熵**。

### 专业分析

| 指标 | 适用性 | 特点 |
|-----------|------------------|---------------------------------------------------------------------------|
| 对数损失 | 不适用于决策树 | 常用于其他分类模型，如逻辑回归和神经网络；不直接测量节点不纯度。 |
| 错误率 | 较少用于决策树 | 简单易理解，但对于细微的类别分布差异不敏感。 |
| 基尼指数 | 常用于决策树 | 在CART算法中使用，计算简单，适合二分数据集。 |
| 信息熵 | 常用于决策树 | 在ID3和C4.5算法中使用，更精确地度量类别分布的混乱程度。 |

在实践中，选择何种指标取决于具体应用场景和数据特性。基尼指数和信息熵是最常用的两种不纯度度量，两者之间的选择通常对模型的最终性能差别不大。