Você deve maximizar a AUC para um problema de classificação binária usando XGBoost e precisa procurar bons valores de eta, alpha, min_child_weight e max_depth com sobrecarga operacional mínima. Qual abordagem exige o menor esforço operacional?

Ajuste automático de modelo do Amazon SageMaker (Hyperparameter Tuning) é a abordagem com menor esforço operacional. Ele automatiza a busca por hiperparâmetros ideais, como eta, alpha, minchildweight e maxdepth para XGBoost, usando estratégias como otimização Bayesiana para encontrar a melhor combinação que maximiza a AUC. Isso elimina a necessidade de configurar e gerenciar clusters EMR ou imagens Docker manualmente, reduzindo significativamente a sobrecarga. Inicializar scikit-learn em EMR ou usar imagens Docker do SageMaker com scikit-learn exigiria mais configuração e gerenciamento manual do processo de validação cruzada. Comprar um algoritmo no AWS Marketplace não garante que ele resolverá o problema de ajuste de hiperparâmetros de forma mais eficiente do que o recurso nativo do SageMaker.