La clasificación de datos es una tarea fundamental en el aprendizaje automático y el análisis de datos, con aplicaciones en muchos campos. En la práctica, la incertidumbre a menudo surge debido a características débilmente discriminativas, valores faltantes, cambio de distribución, desequilibrio de clases, espacios de etiquetas inconsistentes y superposición de clases. Los métodos tradicionales de clasificación, que normalmente se basan en marcos probabilísticos, pueden no representar explícitamente o reducir dicha incertidumbre. La teoría de la evidencia (ET), también conocida como teoría de Dempster–Shafer, proporciona un marco flexible para modelar la incertidumbre e imprecisión mediante asignaciones básicas de creencia y la regla de combinación de evidencia, y ha atraído una atención creciente en el campo de la clasificación de datos. En consecuencia, la clasificación de datos basada en ET (DCET) se ha convertido en un tema de investigación activo. Este artículo ofrece una encuesta completa de DCET, categorizando sistemáticamente los métodos DCET por escenarios de incertidumbre basados en características y etiquetas. Primero revisamos los fundamentos de ET y resumimos el clasificador de k vecinos más cercanos evidencial y sus variantes. Luego examinamos métodos basados en ET para la clasificación de datos tabulares bajo seis escenarios principales de incertidumbre: características de alta dimensión, valores de atributos faltantes, cambio en la distribución de características, distribución desequilibrada de etiquetas, espacios de etiquetas inconsistentes y superposición de clases. A continuación, revisamos métodos basados en ET para la clasificación de imágenes (no estructuradas), destacando la integración de ET con redes neuronales profundas. Además, resumimos aplicaciones representativas, incluyendo reconocimiento de actividad humana, segmentación de imágenes médicas, clasificación de imágenes de teledetección y detección de cambios en imágenes de teledetección. Finalmente, discutimos direcciones futuras de investigación para DCET.

Teoría de la evidencia;Clasificación de datos inciertos;Funciones de creencia;Razonamiento evidencial;Teoría de Dempster–Shafer;Fusión de información multisource