摘要：传统马田系统作为特征筛选方法存在两个方面的不足：一是依赖具有明确类别标签的样本进行训练，对先验信息要求较高；二是采用信噪比作为特征子集评估函数，难以保证筛选出的特征具有较强的分类识别能力。为此，文章提出一种基于成对样本比较的马田系统特征筛选方法。该方法一方面通过“成对比较”收集相似与非相似两类成对样本进行训练，以减少对先验信息的依赖；另一方面基于“拉近相似样本、推远非相似样本”的目标，构建新的特征子集评估函数替代信噪比，并重新设计田口正交试验流程。实验结果表明，所提方法的性能在4个UCI数据集上显著优于无监督方法（Variance、Laplacian Score），接近或略优于有监督方法（Relief、Fisher Score）。在一个基于某市2020—2023年临床数据（1099例样本，40项指标）的突发疫情筛查实例中，所提方法在弱监督条件下筛选的特征子集能确保漏筛率低于1.5%、误判率低于10%的风险防控底线，并显著降低了综合风险成本，验证了其有效性与实际应用价值。

（统计与决策,2026,42(9):56-61.DOI:10.13546/j.cnki.tjyjc.2026.09.009）