随着数据的获取渠道、维度及数量的增加,人们直接收集到的数据集中可能包含着许多噪声、失实、冗余等影响数据集质量的实例。这些实例的存在,将对后续机器学习模型的训练产生负面影响,甚至降低决策模型的表现。因此,如果我们可以通过合理的实例选择,选择出一个更为优质的数据子集,将有可能避免该问题,使数据发挥出应有的价值。基于此场景,本文提出了基于强化学习的结构化数据实例选择方法。该方法从提升模型性能的角度出发,通过将实例选择问题转化为强化学习环境的设计,同时借助强化学习中的相关算法实现了完整的实例选择过程。在具体实现方面,该方法通过将筛选集的建模表现与强化学习的奖励信号挂钩,设计出一套完整的奖励反馈机制,使奖励信号可以反映出基于此筛选集建立机器学习模型的效果。同时,受益于强化学习环境设计的灵活性,方法具有较好的扩展性,可以作为数据预处理的一部分,应用于机器学习建模、数据挖掘等应用场景。为了验证该方法的有效性,本文借助人工数据集与公开数据集,对本方法进行了解释性分析及性能验证。实验结果表明,该方法可以通过剔除对模型性能提升无用的实例,以达到提升建模表现的目的,并且表现出了较好的稳定性。与现有的实例选择方法相比,该方法在提升筛选集建模表现方面存在一定优势,有着较高的使用价值。