1.一种决策树确定方法，其特征在于，所述决策树确定方法包括：获取隧道断面的训练数据；所述训练数据包括：围岩参数数据及对应的抗渗性级别数据；围岩参数数据包括：围岩参数及对应的工程数据；所述围岩参数包括：岩石覆盖层厚度、水头高度、岩石单轴饱和抗压强度以及围岩体积节理数；采用二分法对所述训练数据进行分类，得到若干个划分点和对应的划分结果；所述划分结果包括：大训练数据集合和小训练数据集合；所述大训练数据集合为所述训练数据中大于所述划分点的训练数据的集合；所述小训练数据集合为所述训练数据中小于所述划分点的训练数据的集合；结合信息增益准则计算每个所述划分点的信息增益；选取信息增益最大的划分点以及对应的划分结果，得到第一划分点和对应的第一划分结果；所述第一划分结果包括：第一大训练数据集合和第一小训练数据集合；所述第一大训练数据集合为大于所述第一划分点的训练数据的集合；所述第一小训练数据集合为小于所述第一划分点的训练数据的集合；分别将所述第一大训练数据集合和所述第一小训练数据集合作为“训练数据”，并返回所述“采用二分法对所述训练数据进行分类，得到若干个划分点和对应的划分结果”步骤，直至所述“选取信息增益最大的划分点以及对应的划分结果，得到第一划分点和对应的第一划分结果”步骤执行完毕后，所述第一大训练数据集合和所述第一小训练数据集合中仅有一个数据，得到用于海底隧道围岩抗渗性分级的决策树。
2.根据权利要求1所述的决策树确定方法，其特征在于，所述结合信息增益准则计算每个所述划分点的信息增益的计算公式为：其中，Gain(D,a)表示划分点t的信息增益，Ent(D)表示整个训练数据集合D的信息熵， 表示划分点t对应的划分结果集合 的信息熵， 表示划分点t对应的大训练数据集合， 表示划分点t对应的小训练数据集合。
3.根据权利要求2所述的决策树确定方法，其特征在于，信息熵的计算公式为：其中，p k 为集合D中第k类样本所占的比例，k＝1,2,...,n。
4.根据权利要求1所述的决策树确定方法，其特征在于，所述采用二分法对所述训练数据进行分类，得到若干个划分点和对应的划分结果，具体包括：将所述训练数据输入决策树模型；利用决策树模型，采用二分法对所述训练数据进行分类，得到若干个划分点和对应的划分结果。
5.根据权利要求4所述的决策树确定方法，其特征在于，将所述训练数据输入决策树模型，具体包括：将所述训练数据整理为决策树模型矩阵；所述决策树模型矩阵包括：训练数据集和属性集；训练数据集D＝{(x 1 ,y 1 ),(x 2 ,y 2 ),…,(x 42 ,y 42 )}，其中x i (i＝1,2,…,42)为4维向量，分别为岩石覆盖层厚度、水头高度、体积节理数和岩石单轴饱和抗压强度的这四个评价指标的工程数据，y i (i＝1,2,…,42)为对应的抗渗性级别；属性集A＝{a 1 ,a 2 ,a 3 ,a 4 }，a 1 ,a 2 ,a 3 ,a 4 依次为岩石覆盖层厚度、水头高度、体积节理数和岩石单轴饱和抗压强度；将所述决策树模型矩阵输入决策树模型。
6.根据权利要求1所述的决策树确定方法，其特征在于，所述隧道断面的训练数据为52个典型隧道断面的训练数据。
7.一种海底隧道围岩抗渗性分级方法，其特征在于，所述海底隧道围岩抗渗性分级方法包括：获取待分级围岩的围岩参数及对应的工程数据；将所述围岩参数及对应的工程数据输入决策树，得到所述待分级围岩的分级；所述决策树由权利要求1-6中任一项所述的决策树确定方法确定得到。
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的决策树确定方法或权利要求7所述的海底隧道围岩抗渗性分级方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的决策树确定方法或权利要求7所述的海底隧道围岩抗渗性分级方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的决策树确定方法或权利要求7所述的海底隧道围岩抗渗性分级方法。
