[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/Random-Forest-Classifiers.md

@@ -2,88 +2,31 @@
 id: wiki-2026-0508-random-forest-classifiers
 title: Random Forest Classifiers
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [ML-RAND-FOR-001]
-duplicate_of: none
+status: duplicate
+canonical_id: ensemble-methods
+duplicate_of: "[[Ensemble-Methods]]"
+aliases: []
 source_trust_level: A
-confidence_score: 1.0
-tags: [machine-learning, random-forest, Ensemble-Learning, bagging, decision-tree, classification]
-raw_sources: []
-last_reinforced: 2026-04-26
+confidence_score: 0.9
+verification_status: redirected
+tags: [duplicate, random-forest, ensemble]
+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
 ---
 
-# Random Forest Classifiers (랜덤 포레스트 분류기)
+# Random Forest Classifiers
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "한 그루의 나무([[Decision Tree|Decision Tree]])는 편견에 빠지기 쉽지만, 수많은 나무가 모인 숲(Random Forest)은 집단의 지혜로 진실을 꿰뚫는다" — 여러 개의 결정 트리를 독립적으로 학습시킨 후, 그 결과를 다수결(투표)이나 평균으로 합쳐서 예측의 정확도와 안정성을 높이는 앙상블 머신러닝 기법.
+> **이 문서는 [[Ensemble-Methods]] 의 중복본입니다.** Canonical 문서로 redirect.
 
-## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Bagging and Feature Randomization" — 데이터의 일부를 무작위로 샘플링(Bootstrap)하고, 트리의 마디를 나눌 때도 전체 변수가 아닌 일부 변수만 무작위로 선택하여, 각 트리들이 서로 다른 시각에서 데이터를 바라보게 함으로써 과적합을 방지하는 패턴.
-- **주요 장점:**
-    - **[[Robustness|Robustness]]:** 이상치나 노이즈가 섞인 데이터에서도 안정적인 성능 유지.
-    - **No Scaling Required:** 데이터의 정규화나 표준화 없이도 잘 작동함.
-    - **Feature Importance:** 어떤 변수가 예측에 가장 중요한지 수치로 제시 가능.
-- **의의:** 딥러닝이 지배하는 이미지/언어 영역 외의 '정형 데이터(테이블 형식)' 분석에서 가장 먼저 고려되는 강력하고 믿음직한 베이스라인 모델.
+## 핵심 요약
+- Random Forest = bagging + decision trees + feature subsampling (Breiman 2001).
+- 2026 의 tabular 의 still strong baseline; XGBoost/LightGBM 의 boosting variant 의 prefer.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌:** 단순히 나무를 많이 심는다고 좋은 것이 아니라, 각 나무 사이의 상관관계를 줄여 다양성을 확보하는 것이 숲의 성능을 결정한다는 점이 현대 앙상블 이론의 핵심임.
-- **정책 변화:** Antigravity 프로젝트는 에이전트의 도구 선택 로직이나 작업 성공 여부 판단 시, 설명 가능성과 정확도의 균형을 위해 랜덤 포레스트 기반의 분류 모델을 우선적으로 검토함.
+## 🔗 Graph
+- 부모: [[Ensemble-Methods]] (canonical)
 
-## 🔗 지식 연결 (Graph)
-- Ensemble-Learning-Foundations, [[Overfitting-and-Underfitting|Overfitting-and-Underfitting]], [[Gradient-Boosting-Machines|Gradient-Boosting-Machines]]-GBM, Pre-Processing-Data-for-AI
-- **Raw Source:** 10_Wiki/Topics/AI/Random-Forest-Classifiers.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 |