在某些学习任务中，势力的属性可能与代价相关。例如，在学习分类疾病时，我们可能以这些属性来描述患者：体温、活组织切片检查、脉搏、血液化验结果等。这些属性在代价方面差别非常大，不论是所需的费用还是患者要承受的不适。对于这样的任务，我们将优先选择尽可能使用低代价属性的决策树，仅当需要产生可靠的分类时才以来高代价属性。

通过引入一个代价项到属性选择度量中，可以是ID3算法考虑属性代价。例如，我们可以用信息增益除以属性的代价，以使低代价的属性会被优先选择。虽然这种代价敏感度量不保证找到最优的代价敏感决策树，但它们确实使搜索偏置到有利于低代价属性。

Tan & Schlimmer（1990）和Tan（1993）描述了一种这样的方法，并把它应用到机器人感知任务中。在这个任务中，机器人必须根据这些物体如何能被它的机械手抓住，从而学会分辨不同的物体。这种情况下，属性对应于机器人身上的移动声纳获得的不同传感器读数。属性的代价通过定位或操作声纳来获取属性值所需的秒数来衡量。他们证明，通过用下面的度量代替信息增益属性选择度量，学到了更加有效的识别策略，同时没有损失分类的精度。

Nunez（1988）中描述了一种有关的方法，并把它应用到学习医疗诊断规则上。这里属性是具有不同代价的不同症状和化验测试。它的系统使用了稍有不同的属性选择度量：

  其中，w∈[0，1]是以这个常熟，决定代价对信息增益的相对重要性。Nunez（1991）针对一系列任务给出了这两种方法的经验对比。