2nd/10_Wiki/Topics/K-Nearest-Neighbors-K-NN.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
ML-KNN-001	Unified	1.0	machine-learning knn Instance-based-Learning|Instance-based-Learning Similarity-Metrics|Similarity-Metrics classification	2026-04-26

K-Nearest Neighbors (K-NN, K-최근접 이웃)

📌 한 줄 통찰 (The Karpathy Summary)

"데이터의 정체는 그 주변에 누가 있느냐에 따라 결정된다" — 새로운 데이터의 레이블을 예측할 때, 특징 공간 상에서 가장 가까운 K개의 훈련 데이터(이웃)를 찾아 그들의 다수결(분류)이나 평균(회귀)으로 값을 결정하는 직관적인 알고리즘.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: "Proximity-based Reasoning" — 별도의 학습 과정 없이 데이터 사이의 거리를 계산하여 즉각적으로 결론을 내리는 사례 기반 학습(Instance-based Learning) 패턴.
• 핵심 요소:
  • Distance Metrics: 유클리디안(Euclidean), 맨해튼(Manhattan), 코사인(Cosine) 거리 등 데이터의 특성에 맞는 척도 선택이 중요.
  • K value: 이웃의 수. K가 너무 작으면 노이즈에 민감(Overfitting), 너무 크면 경계가 모호(Underfitting)해짐.
  • Feature Scaling: 모든 특징이 거리 계산에 공평하게 반영되도록 정규화(Normalization) 필수.
• 의의: 알고리즘이 매우 단순하여 구현이 쉽고, 데이터의 분포가 비선형적이거나 복잡할 때도 훌륭한 기준(Baseline) 성능을 제공함.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 차원의 저주(Curse of Dimensionality)로 인해 고차원 데이터에서 성능이 급감한다는 한계가 있으나, 최근에는 PCA 등을 통한 차원 축소나 고성능 근사 근접 이웃(ANN) 검색 기술과 결합하여 한계를 극복함.
• 정책 변화: Antigravity 프로젝트는 유사한 문맥을 가진 지식을 검색할 때, 의미 벡터 공간에서의 K-NN 탐색을 통해 가장 관련성이 높은 문서 후보군을 즉시 도출함.

🔗 지식 연결 (Graph)

• Instance-based-Learning, Distance-Metrics-in-AI, Dimensionality-Reduction, Indexing-Strategies
• Raw Source: 10_Wiki/Topics/AI/K-Nearest-Neighbors-K-NN.md