La classification des données est une tâche fondamentale en apprentissage automatique et en analyse de données, avec des applications dans de nombreux domaines. En pratique, l'incertitude survient souvent en raison de caractéristiques faiblement discriminantes, de valeurs manquantes, de décalage de distribution, de déséquilibre des classes, d'espaces d'étiquettes incohérents et de chevauchement des classes. Les méthodes de classification traditionnelles, qui reposent généralement sur des cadres probabilistes, ne représentent pas explicitement ou ne réduisent pas cette incertitude. La théorie des évidences (ET), également connue sous le nom de théorie de Dempster–Shafer, offre un cadre flexible pour modéliser l'incertitude et l'imprécision à travers des affectations de croyance de base et la règle de combinaison des évidences, et a suscité un intérêt croissant dans le domaine de la classification des données. Par conséquent, la classification des données basée sur ET (DCET) est devenue un sujet de recherche actif. Cet article présente une enquête complète sur DCET, catégorisant systématiquement les méthodes DCET selon les scénarios d'incertitude basés sur les caractéristiques et les étiquettes. Nous passons d'abord en revue les fondamentaux de ET et résumons le classificateur des k plus proches voisins fondé sur les évidences et ses variantes. Nous passons ensuite en revue les méthodes basées sur ET pour la classification des données tabulaires sous six principaux scénarios d'incertitude : caractéristiques de haute dimension, valeurs d'attribut manquantes, décalage de distribution des caractéristiques, distribution déséquilibrée des étiquettes, espaces d'étiquettes incohérents et chevauchement des classes. Ensuite, nous examinons les méthodes basées sur ET pour la classification d'images (non structurées), en mettant en lumière l'intégration de ET avec les réseaux neuronaux profonds. Nous résumons en outre les applications représentatives, notamment la reconnaissance d'activités humaines, la segmentation d'images médicales, la classification d'images de télédétection et la détection de changement dans les images de télédétection. Enfin, nous discutons des orientations futures de la recherche pour DCET.

Théorie des évidences;Classification des données incertaines;Fonctions de croyance;Raisonnement par évidences;Théorie de Dempster–Shafer;Fusion d'informations multisources