如今许多软件系统是可配置的，能够通过特征选择提供定制功能。了解不同的特征选择能够让性能产生的变化是选择满足一系列要求的合适配置的关键。由于配置空间巨大以及性能测量可能会有的高成本，通常来说不可能详尽地探索一个可配置系统的配置空间。因此，用测量的系统变量小样本来进行准确预测的难度很大。为了应对这一难题，我们提出了一种名为 DECART 的数据高效学习方法，它结合了几种机器学习和统计学技术，用于可配置系统的性能预测。 DECART 凭借一个可用的测量的系统变量样本来构建、验证和确定预测模型。对 10 个现实世界中的可配置系统的实证结果也证明了 DECART 的有效性和实用性。值得一提的是，DECART 仅凭一个有限特征数量的小样本就实现了 90％ 或更高的预测精度。此外，我们提出了一个样本质量的指标，并为大家介绍了一个能用于性能预测的样本质量定量分析。