---
id: ML-GBM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [machine-learning, gradient-boosting, xgboost, lightgbm, supervised-learning]
last_reinforced: 2026-04-26
---

# Gradient Boosting Machines (그래디언트 부스팅 머신)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "이전의 실수를 가장 뼈아픈 교훈으로 삼아, 오차의 경사(Gradient)를 따라 완벽한 정답으로 전진하라" — 여러 개의 약한 학습기(보통 의사결정 나무)를 순차적으로 연결하되, 앞선 모델이 틀린 오차를 다음 모델이 보정하는 방식으로 학습하는 강력한 앙상블 기법.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 손실 함수(Loss Function)의 경사를 따라 모델을 점진적으로 추가하여, 전체 시스템의 예측 오차를 최소화하는 가법적 모델링(Additive Modeling) 패턴.
- **핵심 알고리즘:**
    - **AdaBoost:** 틀린 데이터에 가중치를 부여.
    - **GBM:** 가중치 대신 손실 함수의 기울기(Residual)를 직접 학습.
    - **XGBoost:** 병렬 처리와 과적합 방지 규제가 추가된 고성능 라이브러리.
    - **LightGBM:** 대규모 데이터 처리에 최적화된 리프 중심 트리 분할 방식.
    - **CatBoost:** 범주형 변수 처리에 특화된 알고리즘.
- **의의:** 딥러닝이 지배하는 이미지/음성 분야와 달리, 금융, 마케팅 등 비즈니스 정형 데이터 분석 분야에서 여전히 '왕좌'를 지키고 있는 기술.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 학습 속도가 느리고 오버피팅에 취약하던 초기 GBM의 한계를 XGBoost와 LightGBM이 기술적으로 극복하며 실무형 머신러닝의 표준으로 자리 잡음.
- **정책 변화:** Antigravity 프로젝트는 문서의 중요도 랭킹 시스템이나 추천 엔진 설계 시, 딥러닝 임베딩과 함께 부스팅 모델을 앙상블하여 최상의 결과를 도출함.

## 🔗 지식 연결 (Graph)
- [[Ensemble-Methods|Ensemble-Methods]], Decision-Trees-and-Random-Forests, [[Supervised-Learning-Foundations|Supervised-Learning-Foundations]], [[Gradient-Descent|Gradient-Descent]]
- **Raw Source:** 10_Wiki/Topics/AI/Gradient-Boosting-Machines.md