[G1-Sync] Manual knowledge update

10_Wiki/Topics/Ridge-Regression.md

@@ -2,7 +2,7 @@
 id: MATH-REG-RID-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [math, statistics, machine-learning, regression, l2-regularization, ridge-regression, overfitting]
+tags: [math, [[Statistics]], machine-learning, regression, [[L2-Regularization]], ridge-regression, [[Overfitting]]]
 last_reinforced: 2026-04-26
 ---
 
@@ -14,8 +14,8 @@ last_reinforced: 2026-04-26
 ## 📖 구조화된 지식 (Synthesized Content)
 - **추출된 패턴:** "Weight Shrinkage and Variance Reduction" — 모든 가중치를 골고루 0에 가깝게 수렴시키되 완전히 0으로 만들지는 않음으로써, 특정 변수에 대한 과도한 의존성을 줄이고 모델의 일반화 성능(Generalization)을 높이는 패턴.
 - **핵심 메커니즘:**
-    - **L2 Regularization:** 가중치 벡터의 L2 노름(Norm)을 최소화.
-    - **Hyperparameter $\lambda$ (Lambda):** 규제의 강도를 조절. 값이 클수록 규제가 강해짐.
+    - **L2 [[Regularization]]:** 가중치 벡터의 L2 노름(Norm)을 최소화.
+    - **Hyper[[Parameter]] $\lambda$ (Lambda):** 규제의 강도를 조절. 값이 클수록 규제가 강해짐.
     - **Bias-Variance Tradeoff:** 편향(Bias)은 약간 증가시키되 분산(Variance)을 대폭 낮추어 전체 오차 최소화.
 - **의의:** 다중공선성(Multicollinearity) 문제가 있는 데이터셋에서 선형 회귀보다 훨씬 안정적인 성능을 보이며, 거의 모든 머신러닝 모델의 기본 규제 장치로 활용됨.
 
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 에이전트의 성능 예측 모델 구축 시, 소수의 성능 지표에만 치우치지 않는 균형 잡힌 판단을 위해 릿지 회귀 기반의 규제 로직을 적용함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Regression-Analysis-Foundations]], [[Regularization-Strategies]], [[Overfitting-and-Underfitting]], [[Loss-Functions-Foundations]]
+- [[Regression-[[Analysis]]-Foundations]], [[Regularization-Strategies]], [[Overfitting-and-Underfitting]], [[Loss-Functions-Foundations]]
 - **Raw Source:** 10_Wiki/Topics/AI/Ridge-Regression.md