Datenklassifikation ist eine grundlegende Aufgabe im maschinellen Lernen und in der Datenanalyse mit Anwendungen in vielen Bereichen. In der Praxis tritt Unsicherheit oft aufgrund schwach diskriminierender Merkmale, fehlender Werte, Verteilungsversion, Klassenungleichgewicht, inkonsistenter Labelräume und Klassenüberschneidungen auf. Traditionelle Klassifikationsmethoden, die typischerweise auf probabilistischen Rahmen basieren, repräsentieren oder reduzieren solche Unsicherheiten möglicherweise nicht explizit. Die Evidenztheorie (ET), auch bekannt als Dempster-Shafer-Theorie, bietet einen flexiblen Rahmen zur Modellierung von Unsicherheit und Unschärfe durch grundlegende Glaubenszuweisungen und die Evidenzkombinationsregel und hat zunehmende Aufmerksamkeit im Bereich der Datenklassifikation erhalten. Folglich ist die datenklassifikation basierend auf ET (DCET) ein aktives Forschungsthema geworden. Dieses Papier bietet eine umfassende Übersicht über DCET und kategorisiert DCET-Methoden systematisch nach merkmals- und etikettenbasierten Unsicherheitsszenarien. Zuerst überprüfen wir die Grundlagen der ET und fassen den evidenzbasierten K-nächsten-Nachbarn-Klassifikator und seine Varianten zusammen. Anschließend untersuchen wir ET-basierte Methoden zur Klassifikation tabellarischer Daten unter sechs Hauptunsicherheitsszenarien: hochdimensionale Merkmale, fehlende Attributwerte, Merkmalverteilungsshift, unausgewogene Labelverteilung, inkonsistente Labelräume und Klassenüberlappung. Danach betrachten wir ET-basierte Methoden zur Bildklassifikation (unstrukturierte Daten) und heben die Integration von ET mit tiefen neuronalen Netzen hervor. Wir fassen ferner repräsentative Anwendungen zusammen, darunter menschliche Aktivitätserkennung, medizinische Bildsegmentierung, Fernerkundungsbildklassifikation und Fernerkundungsbildänderungserkennung. Schließlich diskutieren wir zukünftige Forschungsrichtungen für DCET.

Evidenztheorie;Unsichere Datenklassifikation;Glaubensfunktionen;Evidenzbasiertes Schließen;Dempster-Shafer-Theorie;Multiquellen-Informationsfusion