La respuesta a esta pregunta depende tanto del método de interpolación como de la naturaleza de la incertidumbre (supuesta) de los datos.
Si se necesita una herramienta universal, jackknifing y bootstrapping son métodos clásicos no paramétricos que son independientes tanto de la clase de modelo como de la incertidumbre de entrada, incluso si la incertidumbre es desconocida.
En jackknifing, el modelo se ajusta a varios subconjuntos del conjunto de datos y se estima la variación resultante en la salida del modelo.
- ¿Por qué el aprendizaje automático es más difícil en el comercio electrónico?
- ¿Cuáles son algunos de los algoritmos importantes utilizados en Machine Learning?
- ¿Se puede utilizar la programación lineal para la optimización de hiperparámetros en el aprendizaje automático?
- ¿Por qué se usan los autómatas?
- Informática: ¿Por qué la memoria contenida en los registros es tan costosa?
En bootstrapping, se generan varias muestras nuevas al volver a muestrear la entrada seleccionando puntos de datos con reemplazo, es decir, permitiendo que los puntos de datos se seleccionen varias veces.
Estos métodos de remuestreo no necesariamente producen estimaciones confiables para conjuntos de datos dispersos. (No se “ensanchan” en regiones descubiertas, si la clase de modelo produce un interpolante estable). También incurren en un considerable costo computacional y de almacenamiento.
Ambos métodos solo estiman la incertidumbre de la estimación puntual, por lo que si el modelo es un suavizado en lugar de un interpolante, la estimación resultante no es una medida de la incertidumbre del proceso original de generación de muestras.
El Jacknifing se puede realizar en un conjunto completo de subconjuntos, lo que resulta en un estimador determinista, mientras que el bootstrapping siempre es un proceso aleatorio, dando un resultado diferente cada vez. Bootstrapping, por otro lado, se puede usar para estimar la distribución completa, mientras que el jacknifing solo puede estimar la varianza.
Si los valores de incertidumbre necesitan consultarse en un número grande o desconocido de puntos de datos, se puede ajustar un metamodelo adecuado a las muestras de incertidumbre.
https://en.wikipedia.org/wiki/Ja…
https://en.wikipedia.org/wiki/Bo…
