① 环境问题有哪些分类方法分几类
1、环境问题又哪些分类方法？分几类？
按环境要素分 大气污染 水体污染 土壤污染
按人类活动分 工业环境污染 城市环境污染 农业环境污染
按污染的性质与来源划分 化学污染 物理污染 生物污染 固体废弃物污染 能源污染
② 常见的分类方法
主要分类方法介绍解决分类问题的方法很多[40-42] ，单一的分类方法主要包括：决策树、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等；另外还有用于组合单一分类方法的集成学习算法，如Bagging和Boosting等。
（1）决策树
决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。构造决策树的目的是找出属性和类别间的关系，用它来预测将来未知类别的记录的类别。它采用自顶向下的递归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶节点得到结论。
主要的决策树算法有ID3、C4.5（C5.0）、CART、PUBLIC、SLIQ和SPRINT算法等。它们在选择测试属性采用的技术、生成的决策树的结构、剪枝的方法以及时刻，能否处理大数据集等方面都有各自的不同之处。
（2）贝叶斯
贝叶斯（Bayes）分类算法是一类利用概率统计知识进行分类的算法，如朴素贝叶斯（Naive
Bayes）算法。这些算法主要利用Bayes定理来预测一个未知类别的样本属于各个类别的可能性，选择其中可能性最大的一个类别作为该样本的最终类别。由于贝叶斯定理的成立本身需要一个很强的条件独立性假设前提，而此假设在实际情况中经常是不成立的，因而其分类准确性就会下降。为此就出现了许多降低独立性假设的贝叶斯分类算法，如TAN（Tree
Augmented Na?ve Bayes)算法，它是在贝叶斯网络结构的基础上增加属性对之间的关联来实现的。
（3）人工神经网络
人工神经网络（Artificial
Neural
Networks，ANN）是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在这种模型中，大量的节点（或称”神经元”，或”单元”）之间相互联接构成网络，即”神经网络”，以达到处理信息的目的。神经网络通常需要进行训练，训练的过程就是网络进行学习的过程。训练改变了网络节点的连接权的值使其具有分类的功能，经过训练的网络就可用于对象的识别。
目前，神经网络已有上百种不同的模型，常见的有BP网络、径向基RBF网络、Hopfield网络、随机神经网络（Boltzmann机）、竞争神经网络（Hamming网络，自组织映射网络）等。但是当前的神经网络仍普遍存在收敛速度慢、计算量大、训练时间长和不可解释等缺点。
（4）k-近邻
k-近邻(kNN，k-Nearest
Neighbors)算法是一种基于实例的分类方法。该方法就是找出与未知样本x距离最近的k个训练样本，看这k个样本中多数属于哪一类，就把x归为那一类。k-近邻方法是一种懒惰学习方法，它存放样本，直到需要分类时才进行分类，如果样本集比较复杂，可能会导致很大的计算开销，因此无法应用到实时性很强的场合。
（5）支持向量机
支持向量机（SVM，Support
Vector Machine）是Vapnik根据统计学习理论提出的一种新的学习方法[43]
，它的最大特点是根据结构风险最小化准则，以最大化分类间隔构造最优分类超平面来提高学习机的泛化能力，较好地解决了非线性、高维数、局部极小点等问题。对于分类问题，支持向量机算法根据区域中的样本计算该区域的决策曲面，由此确定该区域中未知样本的类别。
（6）基于关联规则的分类
关联规则挖掘是数据挖掘中一个重要的研究领域。近年来，对于如何将关联规则挖掘用于分类问题，学者们进行了广泛的研究。关联分类方法挖掘形如condset→C的规则，其中condset是项(或属性-值对)的集合，而C是类标号，这种形式的规则称为类关联规则（class
association
rules，CARS）。关联分类方法一般由两步组成：第一步用关联规则挖掘算法从训练数据集中挖掘出所有满足指定支持度和置信度的类关联规则；第二步使用启发式方法从挖掘出的类关联规则中挑选出一组高质量的规则用于分类。属于关联分类的算法主要包括CBA[44]
，ADT[45] ，CMAR[46] 等。
（7）集成学习（Ensemble Learning）
实际应用的复杂性和数据的多样性往往使得单一的分类方法不够有效。因此，学者们对多种分类方法的融合即集成学习进行了广泛的研究。集成学习已成为国际机器学习界的研究热点，并被称为当前机器学习四个主要研究方向之一。
集成学习是一种机器学习范式，它试图通过连续调用单个的学习算法，获得不同的基学习器，然后根据规则组合这些学习器来解决同一个问题，可以显着的提高学习系统的泛化能力。组合多个基学习器主要采用（加权）投票的方法，常见的算法有装袋[47]
（Bagging），提升/推进[48, 49] （Boosting）等。
有关分类器的集成学习见图2-5。集成学习由于采用了投票平均的方法组合多个分类器，所以有可能减少单个分类器的误差，获得对问题空间模型更加准确的表示，从而提高分类器的分类准确度。
图2-5：分类器的集成学习
以上简单介绍了各种主要的分类方法，应该说其都有各自不同的特点及优缺点。对于数据库负载的自动识别，应该选择哪种方法呢？用来比较和评估分类方法的标准[50]
主要有：（1）预测的准确率。模型正确地预测新样本的类标号的能力；（2）计算速度。包括构造模型以及使用模型进行分类的时间；（3）强壮性。模型对噪声数据或空缺值数据正确预测的能力；（4）可伸缩性。对于数据量很大的数据集，有效构造模型的能力；（5）模型描述的简洁性和可解释性。模型描述愈简洁、愈容易理解，则愈受欢迎。
③ 决策问题有哪些分类方法
对于不同的情况有不同的决策方法。
①确定性情况：每一个方案引起一个、而且只有一个结局。当方案个数较少时可以用穷举法，当方案个数较多时可以用一般最优化方法。
②随机性情况：也称风险性情况，即由一个方案可能引起几个结局中的一个，但各种结局以一定的概率发生。通常在能用某种估算概率的方法时，就可使用随机性决策，例如决策树的方法。
③不确定性情况:一个方案可能引起几个结局中的某一个结局,但各种结局的发生概率未知。这时可使用不确定型决策，例如拉普拉斯准则、乐观准则、悲观准则、遗憾准则等来取舍方案。
④多目标情况：由一个方案同时引起多个结局，它们分别属于不同属性或所追求的不同目标。这时一般采用多目标决策方法。例如化多为少的方法、分层序列法、直接找所有非劣解的方法等。
⑤多人决策情况：在同一个方案内有多个决策者，他们的利益不同，对方案结局的评价也不同。这时采用对策论、冲突分析、群决策等方法。
除上述各种方法外，还有对结局评价等有模糊性时采用的模糊决策方法和决策分析阶段序贯进行时所采用的序贯决策方法等。
不同决策分析的区别
风险型情况下的决策分析。这类决策问题与确定型决策只在第一点特征上有所区别：
风险型情况下，未来可能状态不只一种，究竟出现哪种状态，不能事先肯定，只知道各种状态出现的可能性大小(如概率、频率、比例或权等)。常用的风险型决策分析技术有期望值法和决策树法。
期望值法是根据各可行方案在各自然状态下收益值的概率平均值的大小，决定各方案的取舍。
决策树法有利于决策人员使决策问题形象比，可把各种可以更换的方案、可能出现的状态、可能性大小及产生的后果等，简单地绘制在一张图上，以便计算、研究与分析，同时还可以随时补充和不确定型情况下的决策分析。
如果不只有一个状态，各状态出现的可能性的大小又不确知，便称为不确定型决策。常用的决策分析方法有：
a．乐观准则。比较乐观的决策者愿意争取一切机会获得最好结果。决策步骤是从每个方案中选一个最大收益值，再从这些最大收益值中选一个最大值，该最大值对应的方案便是入选方案。
b.悲观准则。比较悲观的决策者总是小心谨慎，从最坏结果着想。决策步骤是先从各方案中选一个最小收益值，再从这些最小收益值中选出一个最大收益值，其对应方案便是最优方案。这是在各种最不利的情况下又从中找出一个最有利的方案，
c.等可能性准则。决策者对于状态信息毫无所知，所以对它们一视同仁，即认为它们出现的可能性大小相等。于是这样就可按风险型情况下的方法进行决策。