特征选择是机器学习和数据挖掘的基础内容之一。传统的、与代价敏感学习相关的特征选择研究往往关注的是样本的错误分类代价，而特征代价本身，作为另一种代价类型经常被忽略。实际上，特征的代价是固有的而且可能有很大的差异，例如在医疗诊断中不同医学测试在金钱、时间等方面的花费通常差别很大。如何在特征选择中体现这种特征代价的差异性，寻找兼有分类能力和低廉成本的特征子集是本文研究的课题。　　本文分析了获得“物美价廉”的特征子集的可行性在于存在代价不同的冗余特征。为了合理地反映代价的作用，我们将代价转化为概率，并把这种概率应用到随机森林的框架下，构成特征代价敏感的随机森林(FCS-RF)。FCS-RF同普通的随机森林相比，特征被用到的概率（及频率）会受到代价的干扰，这种干扰继而体现在对特征重要性的评估上，使生成的特征重要性排序具有代价敏感性。具体地，我们给出三种方法构建FCS-RF，一是在树的生长过程中令节点分裂时每个特征被选中的概率与它的代价成反比;二是对所有的特征按照一定概率分布进行复制，使得复制后特征的数量的比例和代价成反比;三是每次建树前对训练集定量添加少数特征，这些特征按照和代价成反比的概率分布来生成。这三种方法，分别称作概率选择法、特征复制法、特征添加法，本质上，都是为了降低高成本特征被用的概率（提高低成本特征被用的概率），从而实现代价敏感的特征排序（选择）。在大量数据集上的实验表明这三种方法是有效的。特别地，应用在具有真实代价的两个数据集，KDD99大型数据集和自行收集的乙肝数据集上，我们的方法取得了良好效果。本文还对这三个方法做了进一步研究，分析了参数设置、时间效率等问题。