Обсуждение:Анализ ошибок (машинное обеспечение)

Материал из MachineLearning.

История создания статьи (итеративный промптинг):

Промпт 1:

«Ты профессор и специалист по машинному обучению. Напиши статью "Анализ ошибок (машинное обучение)" для энциклопедии MachineLearning.ru.

Она должна быть понятна новичку, но полезна профессионалу.

Начни с широкого определения. Объясни, почему просто смотреть на Accuracy недостаточно (приведи пример с кошками/собаками).

Затем перейди к инструментам: опиши матрицу ошибок (confusion matrix), разницу между ошибками I и II рода, и как анализируют ошибки в задачах регрессии (анализ остатков).

Пиши строгим академическим языком, без водянистых вступлений и LLM-штампов вроде "целью является выявление скрытых закономерностей".»

Промпт 2:

«Текст хороший, но не хватает современных подходов к качественному анализу.

Добавь раздел про ручной аудит и дата-центричный подход. Кратко объясни концепции Data Slicing (анализ срезов данных) и категоризации ошибок.

Упомяни калибровку уверенности модели (calibration) — когда модель ошибается, но при этом "уверена" в своем ответе.»

Промпт 3:

«Теперь оформи всё в строгую вики-разметку.

Сделай внутренние ссылки на термины: Машинное обучение, Классификация, Регрессия (математика), Матрица ошибок, Ошибки первого и второго рода. Англоязычные термины оставь в скобках без ссылок.

Скорректируй описание ROC-кривой: она визуализирует компромисс TPR и FPR, а не сами ошибки. Совместный анализ Precision и Recall опиши корректно. Описание остатков сделай научно точным: нормальность остатков важна в первую очередь при анализе классических линейных моделей.

Добавь список литературы (через *). Для книг Хэсти и Бишопа используй шаблон {{{заглавие}}}., для современных обзоров по Data-Centric AI (например, с arXiv) — шаблон {{{заглавие}}}..

Добавь категории в конце.»