[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/Model-Ensemble-Methods.md

@@ -2,88 +2,31 @@
 id: wiki-2026-0508-model-ensemble-methods
 title: Model Ensemble Methods
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [ML-ENS-001]
-duplicate_of: none
+status: duplicate
+canonical_id: ensemble-methods
+duplicate_of: "[[Ensemble-Methods]]"
+aliases: [Model Ensembling, Ensemble Learning, Ensemble Models]
 source_trust_level: A
-confidence_score: 1.0
-tags: [machine-learning, ensemble, bagging, boosting, stacking, model-performance]
+confidence_score: 0.9
+verification_status: applied
+tags: [redirect, ml, ensemble, bagging, boosting, stacking]
 raw_sources: []
-last_reinforced: 2026-04-26
+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
 ---
 
-# Model Ensemble Methods (모델 앙상블 기법)
+# Model Ensemble Methods → [[Ensemble-Methods]]
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "단일 모델의 한계를 '집단 지성'으로 돌파하고, 서로의 오차를 보완하여 가장 견고한 정답을 도출하라" — 여러 개의 약한 학습기(Weak Learners)를 결합하여 하나의 강력한 학습기(Strong Learner)를 만드는 머신러닝의 성능 극대화 전략.
+> 이 페이지는 [[Ensemble-Methods]] 와 중복되어 통합되었습니다.
 
-## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Wisdom of Crowds and Error Cancellation" — 개별 모델이 가진 고유한 편향(Bias)과 분산(Variance) 에러를 여러 모델의 투표나 가중 합산을 통해 상쇄함으로써, 전체적인 예측의 안정성과 정확도를 높이는 결합 패턴.
-- **3대 주요 기법:**
-    - **Bagging (Bootstrap Aggregating):** 데이터를 무작위로 샘플링하여 여러 모델을 독립적으로 학습시킨 후 평균(또는 다수결) 계산. (예: Random Forest). 분산 감소에 효과적.
-    - **Boosting:** 이전 모델이 틀린 데이터에 가중치를 두어 순차적으로 학습. (예: XGBoost, LightGBM). 편향 감소에 효과적.
-    - **Stacking:** 여러 모델의 예측 결과를 다시 입력값으로 사용하여 최종 모델(Meta-learner)이 판단하게 함.
-- **의의:** 캐글(Kaggle) 등 데이터 경진대회와 실무에서 가장 높은 성능을 내기 위해 반드시 사용되는 '성능의 마침표'와 같은 기술.
+## 이동
+- **공식 정본**: [[Ensemble-Methods]]
+- bagging (Random Forest), boosting (XGBoost·LightGBM·CatBoost·AdaBoost), stacking, voting, snapshot ensemble, deep ensemble 등 모든 내용은 정본 참조.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌:** 모델이 많을수록 좋다는 믿음에서 벗어나, 모델 간의 다양성(Diversity)이 확보되지 않으면 오히려 과적합([[Overfitting|Overfitting]])만 심화될 수 있다는 경계심이 실무적인 교훈으로 자리 잡음.
-- **정책 변화:** Antigravity 프로젝트는 에이전트의 중요 의사결정(지식 삭제 여부 등) 시, 서로 다른 아키텍처를 가진 3개 이상의 모델 응답을 앙상블하여 최종 결정을 내리는 '합의 알고리즘'을 적용함.
+## 🔗 Graph
+- 정본: [[Ensemble-Methods]]
+- 관련: [[Random-Forest]] · [[XGBoost]] · [[LightGBM]] · [[CatBoost]] · [[Stacking]] · [[Bagging]] · [[Boosting]] · [[Model-Averaging]]
 
-## 🔗 지식 연결 (Graph)
-- Decision-Trees-and-Random-Forests, [[Supervised-Learning-Foundations|Supervised-Learning-Foundations]], [[Gradient-Descent|Gradient-Descent]]-Foundations, HyperParameter-Optimization
-- **Raw Source:** 10_Wiki/Topics/AI/Model-[[Ensemble-Methods|Ensemble-Methods]].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)*
+## 🕓 Changelog
+- 2026-05-08 | Phase 1 — 자동 시드.
+- 2026-05-10 | Manual cleanup — REDIRECT to [[Ensemble-Methods]] (동의어 페이지 통합).