Problem epistemicznych niepewności wprowadzanych przez parametry wejściowe kodu, których nie można oszacować inaczej niż przez wiedzę użytkownika, istnieje w analizach systemów reaktorów jądrowych od czasu przeprowadzenia pierwszych analiz niepewności. Metody Inverse Uncertainty Quantification (IUQ) mają na celu dostarczenie oszacowania rozkładów takich parametrów. W tym artykule porównywane są i oceniane dwie metody kwantyfikacji niepewności parametrów modelu krytycznego przepływu dostępnych w kodzie TRACE. Pierwsze nowatorskie podejście opiera się na algorytmie uczenia maszynowego, wykorzystując klasyfikator Random Forest do przypisywania wyników obliczeń do jednej z zdefiniowanych klas dokładności predykcji w odniesieniu do danych eksperymentalnych. Drugie podejście opiera się na próbkowaniu łańcuchów Markova Monte Carlo i wnioskowaniu bayesowskim.