分类树算法要解决的主要问题：一是如何找出分支的最佳节点，二是如何让决策树停止生长

决策树归纳法ID3在机器学习中确实是一种重要的归纳学习算法。它主要解决两个关键问题：

A: 如何选择合适的分裂特征与分裂点
C: 如何停止分裂过程

**分析：**

1. **如何选择合适的分裂特征与分裂点**：
在ID3算法中，选择分裂特征的标准是信息增益。信息增益衡量的是在某个特征上进行分裂后，数据集的纯度提升的程度。算法会计算每个候选特征的信息增益，选择信息增益最大的特征作为当前节点的分裂特征。对于数值型特征，ID3算法会尝试不同的分裂点，选择最优的分裂点。

2. **如何停止分裂过程**：
停止分裂的条件通常包括以下几种：
- 所有样本都属于同一个类别。
- 当前节点的样本数少于预设的阈值。
- 没有更多的特征可以用于分裂。
- 分裂后的信息增益不足以显著提升模型的纯度。

这两个问题是构建决策树模型的核心步骤，直接影响到模型的性能和泛化能力。选择合适的分裂特征和分裂点能够使决策树更好地拟合训练数据，而合理地停止分裂过程则有助于避免过拟合。