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

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by	tech_stack
wiki-2026-0508-gradient-boosting-machines	Gradient Boosting Machines	10_Wiki/Topics	needs_review	self	ML-GBM-001	none	A	1.0	machine-learning gradient-boosting xgboost lightgbm Supervised-Learning		2026-04-26	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)	language framework unspecified unspecified

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 & Updates)

• 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

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 정보 상태: needs_review
• 출처 신뢰도: A
• 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
• 처리 방식: UPDATE (자동 정규화)
• 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A

💻 코드 패턴 (Code Patterns)

패턴 1: (TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)

# TODO

🤔 의사결정 기준 (Decision Criteria)

선택 A를 써야 할 때:

• (TODO)

선택 B를 써야 할 때:

• (TODO)

기본값:

(TODO)

❌ 안티패턴 (Anti-Patterns)

• [안티패턴]: (TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)