决策树常见问题解析：关于过拟合的误区

关于决策树的表述不正确的是：

C. 决策树一定不会造成过拟合（决策树可能会因为过于复杂而造成过拟合，需要进行剪枝等操作来避免）

解释：

决策树模型在训练时，如果树的深度和叶节点数过多，容易造成过拟合。过拟合是指模型过于关注训练集数据，而忽略了对新数据的泛化能力。因此，需要通过剪枝等操作来控制树的复杂度，避免过拟合。

其他选项：

• A. 决策树可用熵来选取节点：正确。熵是一种衡量数据混乱程度的指标，可用于决策树中选择最佳分裂节点。
• B. 决策树可用基尼系数来选取节点：正确。基尼系数也是一种衡量数据纯度的指标，可用于选择最佳分裂节点。
• D. 决策树的深度和叶节点数都会对预测结果造成影响：正确。树的深度和叶节点数决定了模型的复杂度，会影响对新数据的预测能力。