2nd/10_Wiki/Topics/AI_and_ML/Decision-Trees and Random Forests.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
TREE-001	Unified	1.0	machine-learning decision-tree random-forest ensemble classification	2026-04-26

Decision Trees and Random Forests (의사결정 나무와 랜덤 포레스트)

📌 한 줄 통찰 (The Karpathy Summary)

"데이터를 예/아니오의 질문으로 쪼개고, 수많은 나무의 의견을 모아 정확한 결론을 내려라" — 직관적인 규칙 기반 분류기인 의사결정 나무와, 여러 나무의 예측을 결합하여 과적합을 방지하고 성능을 극대화한 앙상블 모델인 랜덤 포레스트.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: 정보를 가장 잘 구분할 수 있는 질문(불순도 최소화)을 순차적으로 던져 영역을 분할하는 구조와, 여러 독립적인 모델의 결론을 투표(Voting)나 평균을 통해 통합하는 앙상블 패턴.
• 핵심 요소:
  • Entropy / Gini Impurity: 데이터의 혼잡도를 측정하여 분기 기준 결정.
  • Bagging (Bootstrap Aggregating): 데이터셋의 일부를 무작위로 추출하여 여러 나무 학습.
  • Feature Randomness: 각 분기마다 특징(Feature) 중 일부만 선택하여 나무들 간의 다양성 확보.
• 장점: 설명 가능성이 높고(나무 한 그루 기준), 데이터 전처리가 적게 필요하며, 정형 데이터 처리에 매우 강력함.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 단순한 규칙 기반 시스템에서, 수천 개의 나무가 협력하여 복잡한 비선형 관계를 학습하는 고성능 머신러닝 모델로 진화.
• 정책 변화: Antigravity 프로젝트는 정형화된 로그 데이터 분석 및 장애 유형 초기 분류 시, 연산 속도가 빠르고 안정적인 랜덤 포레스트 모델을 활용함.

🔗 지식 연결 (Graph)

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