V strojnem učenju smo v glavnem predpostavili eno od dveh možnosti: a), da so vsi atributi neodvisni in uporabili metode kot so naivni Bayesov klasifikator, logistična regresija ali linearni SVM. Ali b), da so atributi v osnovi med seboj odvisni, ter uporabili pravila, klasifikacijska drevesa ali metode najbližjih sosedov.
Zadnje čase pa dobre rezultate dajejo postopki, ki nekako mešajo oba pristopa, vendar ponavadi kar naključno, brez razumevanja pojavov v ozadju. Za vse postopke se tudi uspešno uporablja metode za odstranjevanje nepomembnih atributov, ki paradoksalno dosežejo boljše rezultate s tem, da uporabne podatke zavržejo. Le zakaj? Že nekaj časa je znano, da se med nekaterimi atributi 'nekaj dogaja'. Tem odnosom smo pravili interakcije, ne da bi se vanje posebej poglabljali. V tem seminarju bo predstavljena okvirna definicija interakcij in hevristika za odkrivanje le-teh, ki predstavlja manj kratkovidno posplošitev informacijskega prispevka. Pokazali bomo, kako nam interakcijska analiza z grafičnim prikazom interakcij v domeni pomaga preučevati odnose med atributi. Orisali bomo tudi, kako nadgradimo osnovne postopke naivnega Bayesovega klasifikatorja, logistične regresije ter linearnega SVM z upoštevanjem interakcij.
Ves čas bomo zagovarjali verjetnostni pristop h klasifikaciji, kjer klasifikator poskuša oceniti svojo negotovost glede razreda nekega primera.