2nd/10_Wiki/Topics/Gradient-Boosting-Machines.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
ML-GBM-001	10_Wiki/💡 Topics/AI	1.0	machine-learning gradient-boosting xgboost lightgbm supervised-learning	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, Decision-Trees-and-Random-Forests, Supervised-Learning-Foundations, Gradient-Descent
• Raw Source: 10_Wiki/Topics/AI/Gradient-Boosting-Machines.md