[G1-Sync] Manual knowledge update

10_Wiki/Topics/K-Nearest-Neighbors-K-NN.md

@@ -2,7 +2,7 @@
 id: ML-KNN-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [machine-learning, knn, instance-based-learning, similarity-metrics, classification]
+tags: [machine-learning, knn, [[Instance-based-Learning]], [[Similarity-Metrics]], classification]
 last_reinforced: 2026-04-26
 ---
 
@@ -12,11 +12,11 @@ last_reinforced: 2026-04-26
 > "데이터의 정체는 그 주변에 누가 있느냐에 따라 결정된다" — 새로운 데이터의 레이블을 예측할 때, 특징 공간 상에서 가장 가까운 K개의 훈련 데이터(이웃)를 찾아 그들의 다수결(분류)이나 평균(회귀)으로 값을 결정하는 직관적인 알고리즘.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Proximity-based Reasoning" — 별도의 학습 과정 없이 데이터 사이의 거리를 계산하여 즉각적으로 결론을 내리는 사례 기반 학습(Instance-based Learning) 패턴.
+- **추출된 패턴:** "Proximity-based [[Reasoning]]" — 별도의 학습 과정 없이 데이터 사이의 거리를 계산하여 즉각적으로 결론을 내리는 사례 기반 학습(Instance-based Learning) 패턴.
 - **핵심 요소:**
     - **Distance Metrics:** 유클리디안(Euclidean), 맨해튼(Manhattan), 코사인(Cosine) 거리 등 데이터의 특성에 맞는 척도 선택이 중요.
-    - **K value:** 이웃의 수. K가 너무 작으면 노이즈에 민감(Overfitting), 너무 크면 경계가 모호(Underfitting)해짐.
-    - **Feature Scaling:** 모든 특징이 거리 계산에 공평하게 반영되도록 정규화(Normalization) 필수.
+    - **K value:** 이웃의 수. K가 너무 작으면 노이즈에 민감([[Overfitting]]), 너무 크면 경계가 모호(Underfitting)해짐.
+    - **Feature Scaling:** 모든 특징이 거리 계산에 공평하게 반영되도록 정규화([[Normalization]]) 필수.
 - **의의:** 알고리즘이 매우 단순하여 구현이 쉽고, 데이터의 분포가 비선형적이거나 복잡할 때도 훌륭한 기준(Baseline) 성능을 제공함.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)