2nd/10_Wiki/Topics/Ensemble-Methods.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
ENSEMBLE-001	Dev	1.0	machine-learning ensemble bagging boosting stacking	2026-04-26

Ensemble Methods (앙상블 기법)

📌 한 줄 통찰 (The Karpathy Summary)

"한 명의 천재보다 여러 명의 평범한 모델이 내리는 합의가 더 정확하다" — 서로 다른 여러 머신러닝 모델의 예측 결과를 결합하여, 단일 모델보다 더 강력하고 안정적인 예측 성능을 이끌어내는 기법.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: 개별 모델이 가진 편향(Bias)과 분산(Variance)의 오류를 투표나 가중치 합산 등의 집단 지성 알고리즘을 통해 상쇄하는 오류 보정 패턴.
• 주요 전략:
  • Bagging (Bootstrap Aggregating): 데이터를 무작위로 나누어 여러 모델을 병렬로 학습 (예: Random Forest). 분산을 줄이는 데 효과적.
  • Boosting: 이전 모델의 오차를 보완하는 방향으로 다음 모델을 순차적으로 학습 (예: XGBoost, LightGBM). 편향을 줄이는 데 효과적.
  • Stacking: 여러 모델의 출력값을 다시 입력으로 사용하여 최종 결과를 내는 메타 모델 학습.
• 의의: 캐글(Kaggle) 등 데이터 경연 대회와 실제 산업 현장에서 성능을 극대화하기 위해 반드시 사용되는 필수 전략.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 가장 뛰어난 모델 하나만 골라 쓰던 방식에서, 여러 모델의 '다양성'이 시스템 전체의 강건함을 결정한다는 관점으로 진화.
• 정책 변화: Antigravity 프로젝트는 문서 분류 에이전트의 정확도를 높이기 위해, 각기 다른 임베딩 모델을 사용하는 여러 분류기의 결과를 앙상블하여 최종 카테고리를 확정함.

🔗 지식 연결 (Graph)

• Decision-Trees-and-Random-Forests, Machine-Learning, Supervised-Learning-Foundations, Cross-Validation
• Raw Source: 10_Wiki/Topics/AI/Ensemble-Methods.md