Обсуждение:Смещение данных: bias in ML

Материал из MachineLearning.

Как написана эта статья

Черновик подготовлен с помощью большой языковой модели (Claude Opus 4.8, Anthropic). Все ссылки проверены вручную по arXiv, ACM и первоисточникам; факты и вики-разметка вычитаны. Найдена и исправлена одна опечатка от переключения раскладки. Формула Чулдечовой записана обычным вики-текстом (курсив, юникод), потому что рендеринг тегов math на этом вики отключён. Ниже дословный запрос к модели.

Запрос:

Ты пишешь статью для вики machinelearning.ru. Это живой справочник по машинному обучению для смешанной аудитории: студенты курса и практикующие специалисты. Тема: Смещение данных (bias in ML). Формат: разметка MediaWiki, русский язык.

Сделай так, чтобы статья прошла по пяти критериям оценки нашего курса: 1. Эксперт должен узнать неочевидное и дочитать до конца. Построй текст вокруг одной

  мысли: смещение это не баг данных, который можно вычистить, а структурное свойство
  с математическим пределом. Кульминация — теорема невозможности: нельзя быть
  справедливым по всем критериям сразу, и дело COMPAS как её живая иллюстрация.

2. Польза и новичку, и профессионалу. Новичку: развести два смысла слова bias

  (bias-variance и социальная предвзятость), понятные виды смещения, хрестоматийные
  кейсы (COMPAS, Gender Shades). Профессионалу: настоящие ссылки (Mehrabi 2021,
  Suresh-Guttag, Kleinberg 2016, Chouldechova 2017, Buolamwini-Gebru 2018) и точная
  формула. Ничего не выдумывай; сомневаешься в источнике - не приводи.

3. Формулу Чулдечовой приводи именно формулой, но обычным вики-текстом (курсив для

  величин, юникод для знаков), а не тегами math — рендеринг math на этом вики отключён.

4. Связность: внутренние ссылки в двойных квадратных скобках ставь только на реально

  существующие статьи и на статьи нашего кластера. Важные термины, для которых статьи
  нет, выделяй жирным или курсивом, а не красной ссылкой. Добавь Примечания, Ссылки,
  категории.

5. Не оставляй следов LLM: живой экспертный язык, без канцелярита, без списков ради

  списков, без важно отметить и в заключение. Допускай авторскую оценку там, где нет
  консенсуса.

6. Сноски определяй прямо в тексте в тегах ref, внизу только тег references.

Замечания и правки приветствуются.