---
id: ML-SVM-001
category: Dev
confidence_score: 1.0
tags: [machine-learning, svm, kernel-methods, [[Optimization|Optimization]], classification, kernel-trick]
last_reinforced: 2026-04-26
---

# Kernel Methods and SVMs (커널 메서드와 SVM)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "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|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).
    - **Slack Variables:** 일부 오차를 허용하여 노이즈에 강건하게 만드는 기법 (Soft Margin).
- **의의:** 수학적으로 명확한 해(Global Optimum)를 보장하며, 데이터가 적은 상황에서도 딥러닝에 필적하는 강력한 성능을 발휘함.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 모든 문제를 해결할 만능 알고리즘으로 추앙받았으나, 데이터 규모가 커질수록 연산량이 기하급수적으로 늘어나는 한계로 인해 대규모 데이터셋에서는 딥러닝에 자리를 내어줌.
- **정책 변화:** Antigravity 프로젝트는 실시간 이상 징후 탐지 시, 데이터셋이 작고 경계가 명확해야 하는 특정 보안 도메인에서 One-class SVM을 적극적으로 활용함.

## 🔗 지식 연결 (Graph)
- [[Supervised-Learning-Foundations|Supervised-Learning-Foundations]], [[Inner-Product-Spaces|Inner-Product-Spaces]], [[Dimensionality-Reduction|Dimensionality-Reduction]], [[Global-vs-Local-Optima|Global-vs-Local-Optima]]
- **Raw Source:** 10_Wiki/Topics/AI/Kernel-Methods-and-SVMs.md