在评估类别不平衡算法的效能时，选择合适的评估指标至关重要。类别不平衡问题中，常常存在一种或多种类别的样本数明显少于其他类别，这会影响评估指标的表现。让我们来分析一下每个选项：

1. **F1-Measure**：
- **优点**：F1-Measure 是精确率（Precision）和召回率（Recall）的调和平均数，是衡量模型在处理不平衡数据集时性能的常用指标。
- **分析**：适合于不平衡数据集，因为它结合了精确率和召回率，能够较好地反映少数类的分类效果。

2. **AUC (Area Under the Curve)**：
- **优点**：AUC 表示 ROC 曲线下面积，衡量模型对所有可能的分类阈值的性能。能够提供模型性能的总体概况。
- **分析**：AUC 可以较好地应对类别不平衡，因为它关注的是排序问题，而不是绝对的分类预测。

3. **Accuracy**：
- **缺点**：Accuracy 是正确分类的样本占总样本的比例。对于类别不平衡数据集，Accuracy 可能会高估模型的性能，因为模型只需预测多数类即可获得高准确性。
- **分析**：不适合用来评估类别不平衡算法的效能，因为其不能准确反映模型对少数类的识别能力。

4. **G-Mean**：
- **优点**：G-Mean 是识别率的几何平均数，衡量模型在不同类别下表现的平衡性。
- **分析**：适用于不平衡数据，因为它能反映出模型对正负类的综合识别能力。

综上所述，**C: Accuracy** 是在类别不平衡情况下最不适合用来评估算法效能的指标。这是因为它可能会导致对模型性能的误导性评价，尤其是在多数类占据绝对优势时。