[G1-Sync] Manual knowledge update

10_Wiki/Topics/Kernel-Methods-and-SVMs.md

@@ -2,7 +2,7 @@
 id: ML-SVM-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [machine-learning, svm, kernel-methods, optimization, classification, kernel-trick]
+tags: [machine-learning, svm, kernel-methods, [[Optimization]], classification, kernel-trick]
 last_reinforced: 2026-04-26
 ---
 
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
 > "데이터를 더 높은 차원으로 끌어올려 복잡하게 얽힌 실타래를 한 칼에 베어버리는 최적의 경계선을 찾아라" — 데이터를 고차원 공간으로 매핑하여 비선형적인 관계를 선형적으로 분리 가능하게 만드는 '커널 트릭'과, 두 클래스 사이의 거리(Margin)를 최대화하는 'SVM'의 결합.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Max-Margin Hyperplane" — 단순히 클래스를 나누는 것을 넘어, 양측 데이터(Support Vectors)로부터 가장 멀리 떨어진 최적의 안전거리(Margin)를 확보하여 모델의 일반화 능력을 극대화하는 최적화 패턴.
+- **추출된 패턴:** "Max-Margin Hyperplane" — 단순히 클래스를 나누는 것을 넘어, 양측 데이터([[Support]] Vectors)로부터 가장 멀리 떨어진 최적의 안전거리(Margin)를 확보하여 모델의 일반화 능력을 극대화하는 최적화 패턴.
 - **핵심 개념:**
     - **Support Vectors:** 결정 경계를 결정하는 가장 가까운 데이터 포인트들.
     - **Kernel Trick:** 실제로 차원을 높이지 않고도 고차원 내적 연산 효과를 내는 수학적 기법 (RBF, Polynomial Kernel 등).