Ao ajustar um modelo de conjunto baseado em árvore com AUC como objetivo, qual visualização ajuda a decidir como ajustar um intervalo de hiperparâmetros (por exemplo, profundidade máxima da árvore) para reduzir o tempo e o custo de treinamento?

Um gráfico de dispersão mostrando a relação entre a profundidade máxima da árvore e a métrica objetivo (AUC) é a visualização mais direta para este cenário. Ele permite identificar visualmente como a alteração da profundidade máxima da árvore impacta o desempenho do modelo, ajudando a escolher um intervalo de hiperparâmetros que otimize o AUC sem treinamento excessivo. Um histograma (opção 1) é útil para entender a distribuição de um único recurso, mas não a relação entre hiperparâmetros e desempenho. Um gráfico t-SNE (opção 2) é para visualização de dados de alta dimensão, não para ajuste de hiperparâmetros. Um gráfico de dispersão da métrica objetivo ao longo das iterações de treinamento (opção 3) mostra a convergência do modelo, mas não a relação entre um hiperparâmetro específico e a métrica final.