Antigravity Agent
2.2 KiB
2.2 KiB
id, category, confidence_score, tags, last_reinforced
| id | category | confidence_score | tags | last_reinforced | |||||
|---|---|---|---|---|---|---|---|---|---|
| ML-LDA-001 | 10_Wiki/💡 Topics/AI | 1.0 |
|
2026-04-26 |
Linear Discriminant Analysis (LDA, 선형 판별 분석)
📌 한 줄 통찰 (The Karpathy Summary)
"집단 내부의 결속은 다지고, 집단 사이의 거리는 벌려 세상의 경계를 가장 선명하게 투영하라" — 클래스 간 분산(Between-class variance)과 클래스 내 분산(Within-class variance)의 비율을 최대화하여, 데이터를 가장 잘 분류할 수 있는 저차원 공간으로 투영하는 지도 학습 기반 차원 축소 기법.
📖 구조화된 지식 (Synthesized Content)
- 추출된 패턴: "Separability Maximization" — 정답 레이블(Label) 정보를 활용하여, 서로 다른 클래스가 겹치지 않고 가장 뚜렷하게 구분되는 최적의 투영 축을 찾아내는 분류 지향적 특징 추출 패턴.
- PCA와의 차이점:
- PCA: 데이터 전체의 분산이 큰 축을 찾음 (비지도 학습). 정보 손실 최소화 중심.
- LDA: 클래스 간 구분이 잘 되는 축을 찾음 (지도 학습). 분류 성능 극대화 중심.
- 의의: 얼굴 인식, 마케팅 타겟 분류 등 특징 데이터가 많고 클래스가 명확한 환경에서 연산 효율과 분류 정확도를 동시에 잡는 강력한 도구.
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 과거 데이터와의 충돌: 데이터가 정규 분포를 따르고 공분산 구조가 같아야 한다는 엄격한 가정이 있으나, 실제 복잡한 데이터에서는 비선형적 한계를 극복하기 위해 커널 LDA 등으로 확장되어 사용됨.
- 정책 변화: Antigravity 프로젝트는 에이전트의 행동 로그에서 특정 '사용자 의도'를 패턴별로 분류하여 시각화할 때, 의도 간 차이를 가장 잘 보여주는 LDA 투영 기법을 활용함.