---
id: ML-ENS-001
category: Dev
confidence_score: 1.0
tags: [machine-learning, ensemble, bagging, boosting, stacking, model-performance]
last_reinforced: 2026-04-26
---

# Model Ensemble Methods (모델 앙상블 기법)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "단일 모델의 한계를 '집단 지성'으로 돌파하고, 서로의 오차를 보완하여 가장 견고한 정답을 도출하라" — 여러 개의 약한 학습기(Weak Learners)를 결합하여 하나의 강력한 학습기(Strong Learner)를 만드는 머신러닝의 성능 극대화 전략.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Wisdom of Crowds and Error Cancellation" — 개별 모델이 가진 고유한 편향(Bias)과 분산(Variance) 에러를 여러 모델의 투표나 가중 합산을 통해 상쇄함으로써, 전체적인 예측의 안정성과 정확도를 높이는 결합 패턴.
- **3대 주요 기법:**
    - **Bagging (Bootstrap Aggregating):** 데이터를 무작위로 샘플링하여 여러 모델을 독립적으로 학습시킨 후 평균(또는 다수결) 계산. (예: Random Forest). 분산 감소에 효과적.
    - **Boosting:** 이전 모델이 틀린 데이터에 가중치를 두어 순차적으로 학습. (예: XGBoost, LightGBM). 편향 감소에 효과적.
    - **Stacking:** 여러 모델의 예측 결과를 다시 입력값으로 사용하여 최종 모델(Meta-learner)이 판단하게 함.
- **의의:** 캐글(Kaggle) 등 데이터 경진대회와 실무에서 가장 높은 성능을 내기 위해 반드시 사용되는 '성능의 마침표'와 같은 기술.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 모델이 많을수록 좋다는 믿음에서 벗어나, 모델 간의 다양성(Diversity)이 확보되지 않으면 오히려 과적합([[Overfitting|Overfitting]])만 심화될 수 있다는 경계심이 실무적인 교훈으로 자리 잡음.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 중요 의사결정(지식 삭제 여부 등) 시, 서로 다른 아키텍처를 가진 3개 이상의 모델 응답을 앙상블하여 최종 결정을 내리는 '합의 알고리즘'을 적용함.

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