假设使用SVM训练和预测数据，得到分类准确率为0.8，如果想要获得这个准确率的95%置信区间，那么应该选择什么方法呢？
我也在网上搜索了一下，看到一篇博客：https://sebastianraschka.com/blog/2022/confidence-intervals-for-ml.html#method-2-bootstrapping-training-sets--setup-step，里面大概总结了3种方法：（1）根据指标的分布；（2）使用bootstrap的方法，可以对训练集或测试集进行bootstrap；（3）改变随机种子点。
我的问题是：（1）我个人比较倾向于bootstrap，因为方法1适用的情况太局限，可能有很多统计量分布是不清楚的，方法3感觉会高估这个置信区间（因为如果用bootstrap自然会用到不同的随机种子点）？（2）如果用bootstrap，那么是应该bootstrap训练集，bootstrap测试集，还是训练集和测试集都bootstrap？（3）根据bootstrap的结果，在计算置信区间的时候，可以假设正态分布或者T分布来计算标准误，或者用percentile方法，或者更复杂的方法。我个人比较倾向于正态分布的方法，因为比较简单，percentile方法也很简单，但是有时候计算出来的置信区间不能够包含真实观测值？
因为我自己对机器学习只是非常非常粗浅的了解，所以想听听各位老师对上述问题或相关无问题的意见？
