在许多机器学习应用程序，数据不是免费的，并且为每个数据项目有测试费用。为节俭的原因，最小化测试的某存在工作尝试花费了并且同时，保存一个给定的决定系统的一个特别性质。在这份报纸，我们指出一个人能负担得起的测试费用在一些应用是有限的。因此，一个人不得不牺牲各自的性质在一项预算下面保留测试费用。形式化这期，我们定义测试费用限制属性减小问题，在优化目的是最小化有条件的信息熵的地方。这个问题是test-cost-sensitive属性减小问题和0-1背囊问题的必要归纳，因此它是更挑战性的。我们基于信息获得和测试费用建议一个启发式的算法处理新问题。算法在四UCI上被测试(加利福尼亚大学-Irvine)有各种各样的测试的数据集花费了背景。试验性的结果显示唯一的userspecified参数的适当设置。
