[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/Gradient-Boosting-Machines.md

@@ -2,90 +2,34 @@
 id: wiki-2026-0508-gradient-boosting-machines
 title: Gradient Boosting Machines
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [ML-GBM-001]
-duplicate_of: none
+status: duplicate
+canonical_id: wiki-2026-0508-ensemble-methods
+duplicate_of: "[[Ensemble-Methods]]"
+aliases: [GBM, gradient boosting, XGBoost, LightGBM, CatBoost]
 source_trust_level: A
-confidence_score: 1.0
-tags: [machine-learning, gradient-boosting, xgboost, lightgbm, Supervised-Learning]
-raw_sources: []
-last_reinforced: 2026-04-26
+confidence_score: 0.97
+verification_status: redirected
+tags: [duplicate, gbm, ensemble, boosting]
+last_reinforced: 2026-05-10
 github_commit: pending
-inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
-tech_stack:
-  language: unspecified
-  framework: unspecified
 ---
 
-# Gradient Boosting Machines (그래디언트 부스팅 머신)
+# Gradient Boosting Machines
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "이전의 실수를 가장 뼈아픈 교훈으로 삼아, 오차의 경사(Gradient)를 따라 완벽한 정답으로 전진하라" — 여러 개의 약한 학습기(보통 의사결정 나무)를 순차적으로 연결하되, 앞선 모델이 틀린 오차를 다음 모델이 보정하는 방식으로 학습하는 강력한 앙상블 기법.
+> **이 문서는 [[Ensemble-Methods]] 의 specialization 입니다.** Canonical 문서로 redirect.
 
-## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 손실 함수(Loss Function)의 경사를 따라 모델을 점진적으로 추가하여, 전체 시스템의 예측 오차를 최소화하는 가법적 모델링(Additive Modeling) 패턴.
-- **핵심 알고리즘:**
-    - **AdaBoost:** 틀린 데이터에 가중치를 부여.
-    - **GBM:** 가중치 대신 손실 함수의 기울기(Residual)를 직접 학습.
-    - **XGBoost:** 병렬 처리와 과적합 방지 규제가 추가된 고성능 라이브러리.
-    - **LightGBM:** 대규모 데이터 처리에 최적화된 리프 중심 트리 분할 방식.
-    - **CatBoost:** 범주형 변수 처리에 특화된 알고리즘.
-- **의의:** 딥러닝이 지배하는 이미지/음성 분야와 달리, 금융, 마케팅 등 비즈니스 정형 데이터 분석 분야에서 여전히 '왕좌'를 지키고 있는 기술.
+## 핵심 요약 (GBM-specific)
+- 매 sequential boosting (Friedman 1999).
+- 매 XGBoost (Chen 2016) — 매 production standard.
+- 매 LightGBM (Ke 2017) — 매 fastest.
+- 매 CatBoost — 매 categorical native.
+- 매 tabular ML 의 still SOTA (vs DL).
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌:** 학습 속도가 느리고 오버피팅에 취약하던 초기 GBM의 한계를 XGBoost와 LightGBM이 기술적으로 극복하며 실무형 머신러닝의 표준으로 자리 잡음.
-- **정책 변화:** Antigravity 프로젝트는 문서의 중요도 랭킹 시스템이나 추천 엔진 설계 시, 딥러닝 임베딩과 함께 부스팅 모델을 앙상블하여 최상의 결과를 도출함.
+## 🔗 Graph
+- 부모: [[Ensemble-Methods]] (canonical)
 
-## 🔗 지식 연결 (Graph)
-- [[Ensemble-Methods|Ensemble-Methods]], Decision-Trees-and-Random-Forests, [[Supervised-Learning-Foundations|Supervised-Learning-Foundations]], [[Gradient-Descent|Gradient-Descent]]
-- **Raw Source:** 10_Wiki/Topics/AI/Gradient-Boosting-Machines.md
-
-## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
-
-**언제 이 지식을 쓰는가:**
-- *(TODO)*
-
-**언제 쓰면 안 되는가:**
-- *(TODO)*
-
-## 🧪 검증 상태 (Validation)
-
-- **정보 상태:** needs_review
-- **출처 신뢰도:** A
-- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
-
-## 🧬 중복 검사 (Duplicate Check)
-
-- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
-- **처리 방식:** UPDATE (자동 정규화)
-- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
-
-## 🕓 변경 이력 (Changelog)
-
-| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
-|------|-----------|-----------|--------|
-| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
-
-## 💻 코드 패턴 (Code Patterns)
-
-**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
-
-```text
-# TODO
-```
-
-## 🤔 의사결정 기준 (Decision Criteria)
-
-**선택 A를 써야 할 때:**
-- *(TODO)*
-
-**선택 B를 써야 할 때:**
-- *(TODO)*
-
-**기본값:**
-> *(TODO)*
-
-## ❌ 안티패턴 (Anti-Patterns)
-
-- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
+## 🕓 변경 이력
+| 날짜 | 변경 |
+|---|---|
+| 2026-05-08 | Phase 1 |
+| 2026-05-10 | 중복 처리 — canonical 문서로 redirect |