任何通用逼近器都可以做到。您需要像这样的术语出现，因此和之间的交互就足够了。$A(\beta_A+\beta_{A\times C}\times C)$$A$$C$

如果您有一个通用逼近器，它可以（局部）在其公式中的某处逼近二次形式，从而在不显式乘以和的情况下为您提供交互。$A$$C$

然后，唯一重要的是选择一个通用逼近器。神经网络通常是通用逼近器，具有无限维内核空间的内核机器（例如径向基函数）也是如此。

在神经网络上，如果您有输入，那么使用两个隐藏层和正方形作为激活函数，您已经实现了交互的可能性。$A,B,C$

考虑列向量：$x = [A, B, C]$

$W_1 x$传递初始特征的加权和，将它们平方，最后对平方项进行加权和。$h_1 = \sigma(W_1 x+b_1)$$W_2h_1+b_ 2$

MARS（多元自适应回归样条）能够自动检测解释变量之间的非线性交互，而无需在模型中手动添加它们

也许您可以添加一些高阶多项式交互项并使用套索回归？你可以从这些项的系数中得到一些线索。话虽如此，ML 算法通常用于预测而不是估计效果。

如果您需要明确和可解释的交互，您应该使用 2 级或 3 级的 MARS。如果您需要显式但不可解释的交互（在拟合模型后将无法提取交互特征），您可以使用带有多项式内核的 SVM。如果您对隐式和灵活的交互感到满意，正如 Firebug 所说，您可以使用通用逼近器，例如具有非线性激活的神经网络。我想您也可以为此目的使用带有径向基内核的 SVM，因为它也是一个通用逼近器，但是，我不完全确定该模型如何能够对交互进行建模（我专门针对此问题发布了一个问题：还没有回答）。