Bootstrap ez-parametrikoa algoritmoen errendimenduaren konparaketarako estatistika bayestarraren alternatiba gisa

Laburpena

Adimen artifiziala eremu ia gehienetan txertatzen ari den garai honetan, ezinbestekoa da erabiltzen ditugun algoritmoen errendimenduen konparaketak egitea. Sarritan, algoritmo baten bitartez lortutako emaitzak erabilitako datuen izaeraren eta algoritmoen estokastizitatearen arabera aldakorrak dira, eta horrek konparaketa zailtzen du. Testuinguru horretan, beraz, algoritmoen arteko konparaketa egitean, lortutako ziurgabetasunaren kuantifikazioa alderdi garrantzitsua da, baina gehienetan ez zaio nahikoa garrantzi ematen. Izan ere, ziurgabetasunaren kuantifikaziorako urteetan zehar erabili diren estatistika frekuentistako hipotesi-probek gabezia nabariak dituzte arlo honetan. Alternatiba gisa, estatistika bayestarra da soluziorik onartuena gaur egun, baina badira beste metodo batzuk oraindik esploratu ez direnak. Artikulu honetan, ziurgabetasuna azaltzeko, bootstrap ez-parametrikoaren erabilera aztertuko dugu, eta metodo horren portaera estatistika bayestarrarekin alderatu eta antzekotasunak eta desberdintasunak agerian jarriko ditugu.