在决策树算法中，ID3使用的信息增益（Information Gain）来进行特征的选择。因此，正确答案是：**C: 信息增益**。

### 分析

在构建决策树的过程中，选择最优的特征来分割数据集是至关重要的。ID3算法之所以使用信息增益作为特征选择的度量，是因为它可以很好地衡量特征对分类结果的不确定性减少的程度。

#### 信息熵（Entropy）
- 信息熵是一种度量样本集合纯度的指标。熵越低，样本的混杂程度越低。

#### 信息增益（Information Gain）
- 信息增益是基于信息熵的概念。它计算的是使用某一特征进行划分后信息熵的减少量。公式如下：
\[
\text{Information Gain}(D, A) = \text{Entropy}(D) - \sum_{v \in \text{Values}(A)} \frac{|D_v|}{|D|} \times \text{Entropy}(D_v)
\]
其中，\(D\)为整体数据集，\(A\)是特征，\(D_v\)是特征\(A\)取值\(v\)对应的子集。

- 通过最大化信息增益，ID3算法选择那个能最大限度降低数据集的熵的特征作为节点进行分裂。

### 与其他指标的对比
- **信息增益比（Information Gain Ratio）**：C4.5算法使用的信息增益比，是为了解决信息增益在特征取值较多时偏向选择某些特征的问题。
- **Gini指数**：CART算法常用的指标，用于衡量二元分裂的纯度，并不是ID3算法的一部分。

ID3由于直接使用信息增益，在特征维度较高或取值较多的场景下可能会有偏好，但其计算和实现相对简单，是构建决策树的经典方法之一。