多粒度粗糙集是使用多个颗粒结构对经典粗糙集的扩展。 目前,已经提出了三个重要的多粒度粗糙集,它们是乐观,悲观和b多重粒度方法。 但是,这三个多粒度粗糙集没有考虑测试成本,这是数据挖掘和机器学习中的重要问题。 为解决这一问题,本文提出了一种测试成本敏感的多粒度粗糙集模型。 我们表明,测试成本敏感的多粒度粗糙集是乐观,悲观和b多重粒度粗糙集的推广。 此外,发现传统的启发式算法不适合用于测试成本较低的粒度结构选择,然后提出一种回溯算法,以最小的测试成本进行粒度结构选择。 该算法在十个UCI(加州大学-爱尔兰分校(Irvi