您必须使用XGBoost最大化二元分类问题的AUC，并且需要以最小的操作开销搜索eta、alpha、min_child_weight和max_depth的良好值。哪种方法所需的操作工作量最少？

正确答案是使用Amazon SageMaker自动模型调优，并为每个超参数提供值范围。SageMaker自动模型调优（Automatic Model Tuning，AMT）专为超参数优化而设计，它能高效地搜索给定超参数范围内的最佳组合，以最大化AUC等指标，且操作开销最小。它支持XGBoost，并能自动管理训练任务的启动、监控和结果收集。 在EMR集群上引导scikit-learn并运行k折交叉验证需要手动配置和管理集群，操作开销大。使用包含scikit-learn的预构建SageMaker Docker镜像并运行k折交叉验证，虽然减少了环境设置，但仍需手动编写和管理超参数搜索逻辑，不如AMT自动化。从AWS Marketplace购买算法可能提供预训练模型或特定实现，但通常不直接提供自动化超参数调优服务，且可能需要额外集成。