refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조
에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게 [공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류. 문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인). - Topic_Programming → Domain_Programming (내부 구조 보존) - Topic_Graphic → Domain_Design - Topic_Business → Domain_Product - Topic_General → Domain_General - _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning), Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing) - 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서) - 빈 폴더 정리 (memory/procedures) - 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트) Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,146 @@
|
||||
---
|
||||
id: wiki-2026-0508-non-parametric-models
|
||||
title: Non-parametric Models
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Non-parametric Models, Nonparametric ML, Instance-based Learning]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [ml, non-parametric, knn, decision-trees, gaussian-process, kernel, sklearn]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack: { language: python, framework: scikit-learn }
|
||||
---
|
||||
|
||||
# Non-parametric Models
|
||||
|
||||
## 매 한 줄
|
||||
- 비모수 모델은 고정 개수 파라미터를 두지 않고 데이터에 따라 모델 복잡도가 성장하며, k-NN·decision tree·kernel·Gaussian process가 대표 family.
|
||||
|
||||
## 매 핵심
|
||||
- **정의**: parameter 개수가 데이터 크기에 따라 증가(또는 데이터 자체를 메모리에 저장). "no fixed parametric form".
|
||||
- **대표 알고리즘**:
|
||||
- k-NN: lazy learner, 거리 기반.
|
||||
- Decision tree / Random Forest / Gradient Boosting: tree 깊이·개수가 데이터에 적응.
|
||||
- Kernel methods (SVM with RBF, Kernel Ridge): support vector 수가 데이터 의존.
|
||||
- Gaussian Process: covariance matrix(N×N) → O(N³) 학습.
|
||||
- KDE(Kernel Density Estimation), Nadaraya-Watson regression.
|
||||
- **장점**: 분포 가정 약함, 복잡한 비선형 관계 포착.
|
||||
- **단점**: 데이터·계산량 증가, curse of dimensionality, 해석성 일부 약함.
|
||||
- **vs parametric**: linear/logistic regression, GLM은 고정 파라미터 → 데이터 적어도 OK, 외삽 가능.
|
||||
|
||||
## 💻 패턴
|
||||
```python
|
||||
# k-NN classifier with distance weighting
|
||||
from sklearn.neighbors import KNeighborsClassifier
|
||||
clf = KNeighborsClassifier(n_neighbors=15, weights="distance", metric="minkowski", p=2)
|
||||
clf.fit(X_train, y_train)
|
||||
pred = clf.predict(X_test)
|
||||
```
|
||||
|
||||
```python
|
||||
# Decision tree depth tuning via CV
|
||||
from sklearn.tree import DecisionTreeClassifier
|
||||
from sklearn.model_selection import GridSearchCV
|
||||
gs = GridSearchCV(DecisionTreeClassifier(random_state=0),
|
||||
{"max_depth": [3, 5, 10, None], "min_samples_leaf": [1, 5, 20]},
|
||||
cv=5, scoring="f1_macro")
|
||||
gs.fit(X, y)
|
||||
print(gs.best_params_, gs.best_score_)
|
||||
```
|
||||
|
||||
```python
|
||||
# Random Forest with OOB score
|
||||
from sklearn.ensemble import RandomForestClassifier
|
||||
rf = RandomForestClassifier(n_estimators=500, oob_score=True, n_jobs=-1, random_state=0)
|
||||
rf.fit(X, y)
|
||||
print("OOB:", rf.oob_score_)
|
||||
```
|
||||
|
||||
```python
|
||||
# Kernel Ridge Regression with RBF
|
||||
from sklearn.kernel_ridge import KernelRidge
|
||||
kr = KernelRidge(alpha=1.0, kernel="rbf", gamma=0.1)
|
||||
kr.fit(X_train, y_train)
|
||||
```
|
||||
|
||||
```python
|
||||
# Gaussian Process regression
|
||||
from sklearn.gaussian_process import GaussianProcessRegressor
|
||||
from sklearn.gaussian_process.kernels import RBF, WhiteKernel
|
||||
kernel = 1.0 * RBF(length_scale=1.0) + WhiteKernel(noise_level=0.1)
|
||||
gpr = GaussianProcessRegressor(kernel=kernel, normalize_y=True, n_restarts_optimizer=5)
|
||||
gpr.fit(X_train, y_train)
|
||||
mu, std = gpr.predict(X_test, return_std=True)
|
||||
```
|
||||
|
||||
```python
|
||||
# KDE for density estimation
|
||||
from sklearn.neighbors import KernelDensity
|
||||
import numpy as np
|
||||
kde = KernelDensity(bandwidth=0.5, kernel="gaussian").fit(X_train)
|
||||
log_density = kde.score_samples(X_test)
|
||||
density = np.exp(log_density)
|
||||
```
|
||||
|
||||
```python
|
||||
# Nadaraya-Watson regressor (manual)
|
||||
import numpy as np
|
||||
def nw_regress(X_train, y_train, X_test, h=1.0):
|
||||
diffs = X_test[:, None, :] - X_train[None, :, :]
|
||||
w = np.exp(-np.sum(diffs**2, axis=2) / (2 * h**2))
|
||||
return (w @ y_train) / (w.sum(axis=1) + 1e-9)
|
||||
```
|
||||
|
||||
```python
|
||||
# SVM with RBF kernel — support vectors grow with data
|
||||
from sklearn.svm import SVC
|
||||
svc = SVC(kernel="rbf", C=1.0, gamma="scale")
|
||||
svc.fit(X_train, y_train)
|
||||
print("n_SV:", len(svc.support_))
|
||||
```
|
||||
|
||||
```python
|
||||
# FAISS for large-scale k-NN (approximate)
|
||||
import faiss, numpy as np
|
||||
index = faiss.IndexHNSWFlat(X.shape[1], 32)
|
||||
index.add(X.astype(np.float32))
|
||||
D, I = index.search(query.astype(np.float32), k=10)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
- **데이터 크기**:
|
||||
- <1k → GP, kernel ridge OK.
|
||||
- 1k–100k → tree ensemble, k-NN(brute or KD-tree).
|
||||
- >100k → tree ensemble, ANN(FAISS, ScaNN), 또는 parametric로 회귀.
|
||||
- **차원**: 고차원(>50) → tree, gradient boosting. k-NN/KDE는 curse of dim.
|
||||
- **uncertainty 필요**: GP > tree quantile regression > MC Dropout(parametric).
|
||||
- **해석성**: shallow decision tree, kNN(prototype 분석).
|
||||
|
||||
## 🔗 Graph
|
||||
- 관련: [[K-Nearest-Neighbors-K-NN]], [[Decision Tree]], [[Random-Forest]], [[Gradient-Boosting]], [[Gaussian-Process]], [[Kernel-Methods]]
|
||||
- 도구: [[XGBoost]], [[LightGBM]], [[FAISS]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
- 데이터셋 크기/차원 → 추천 모델 family 매트릭스 생성.
|
||||
- sklearn pipeline + GridSearch boilerplate 작성.
|
||||
- 결과 해석(feature importance, partial dependence plot 설명).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- 100만 row에 GaussianProcessRegressor 그대로 사용(O(N³)).
|
||||
- 고차원 sparse 데이터에 k-NN 단독.
|
||||
- random forest를 "blackbox"라 단정해 SHAP/PDP 안 씀.
|
||||
- standardize 안 한 데이터에 RBF kernel.
|
||||
|
||||
## 🧪 검증
|
||||
- CV(StratifiedKFold), nested CV for hyperparameter.
|
||||
- learning curve(데이터 추가에 따른 성능 변화) → 비모수 특성 확인.
|
||||
- 시간/메모리 프로파일링(N×N matrix가 RAM 안 넘는지).
|
||||
|
||||
## 🕓 Changelog
|
||||
- 2026-05-08 Phase 1: 초안 자동 생성.
|
||||
- 2026-05-10 Manual cleanup: 본문 보강, GP/KDE/NW/FAISS 패턴 추가, 결정 기준 정리.
|
||||
Reference in New Issue
Block a user