Bayesian, frequentist and ensemblemethods on human decision making compared with machine decision

Abstract

The present study explores the comparison between Bayesian and frequentist machinelearning models in simulating human decision-making, with a focus on replicating humanchoices, including suboptimal ones. This approach reflects the need to explore modelsthat capture not only rational decisions but also behaviours influenced by randomnessand neuroscientific factors, which are essential for understanding the nuances of humandecision-making.Specific datasets reflecting human behaviour in decision-making contexts were employed,such as a comparative dataset where machines make random choices and a second datasetfrom betting games like Bustabit, comprising over 40,000 rounds. The study assessed theperformance of classification and regression models, with emphasis on predicting whenan individual would choose to bet versus not bet, also incorporating ensemble models suchas XGBoost and Random Forest. These models were analysed across various scenariosto identify the relative complexity and ease in reproducing human decisions. The results indicate that, while some models are more effective in replicating rationalbehaviours, the reproduction of suboptimal decisions and the integration of randomnessremain challenging for certain models, with this work aiming to find methods to handlethese cases more effectively. The conclusions reveal that Bayesian models capture prob-abilistic nuances of suboptimal decisions more accurately in some instances, whereasfrequentist and hybrid models show greater efficacy in consistent patterns.This analysis provides valuable insights into the application of these models in fieldsrequiring the simulation of human behaviour, such as neuroscience and behavioural psy-chology, as well as sectors involving economic and risk-based decisions.

O presente estudo explora a comparação entre modelos de aprendizado de máquina bayesianos e frequentistas na simulação da tomada de decisão humana, com foco na replicaçãode escolhas humanas, inclusive as subótimas. Essa escolha de abordagem reflete a necessidade de explorar modelos que capturam não apenas decisões racionais, mas também comportamentos influenciados por aleatoriedade e fatores neurocientíficos, fundamentais para entender as nuances da tomada de decisão humana. Foram utilizados datasets específicos de comportamento humano em ambientes específicos de tomada de decisão, como um dataset comparativo, em que máquinas realizamescolhas aleatórias e um segundo dataset comparativo de jogos de aposta do tipo Bustabitcom mais de 40.000 partidas. O trabalho avaliou o desempenho de modelos de classificação e regressão, com ênfase em prever quando um indivíduo escolheria apostar versusnão apostar, incluindo também modelos de ensemble como XGBoost e Random Forest. Estes modelos foram analisados em diversos cenários para identificar a complexidade e afacilidade relativa de reprodução de decisões humanas. Os resultados indicam que, embora alguns modelos sejam mais eficazes na reprodução de comportamentos racionais, a replicação de decisões subótimas e a incorporação de aleatoriedade se mostram desafiadoras para certos modelos, buscando esse trabalho encontrarum método para trabalhar com mais eficácia em esses casos. As conclusões revelam queos modelos bayesianos capturam nuances probabilísticas de decisões subótimas com mais precisão em alguns casos, enquanto os modelos frequentistas e híbridos mostram maior eficácia em padrões consistentes. Essa análise proporciona insights relevantes para a aplicação desses modelos em áreas que requerem simulação de comportamento humano, como neurociência e psicologia comportamental, além de setores que envolvem decisões econômicas e de risco.