Sie müssen den AUC-Wert für ein binäres Klassifizierungsproblem mithilfe von XGBoost maximieren und nach guten Werten für eta, alpha, min_child_weight und max_depth mit minimalem Betriebsaufwand suchen. Welcher Ansatz erfordert den geringsten Betriebsaufwand?

Amazon SageMaker Automatic Model Tuning (AMT) ist die effizienteste Lösung, da es speziell für die Optimierung von Hyperparametern entwickelt wurde und den Betriebsaufwand minimiert. Sie definieren einfach die Hyperparameterbereiche und die zu optimierende Metrik (hier AUC), und SageMaker führt automatisch mehrere Trainingsjobs durch, um die besten Kombinationen zu finden. Die Verwendung von scikit-learn auf EMR oder mit SageMaker Docker-Images erfordert mehr manuellen Aufwand für die Implementierung der Kreuzvalidierung und des Hyperparameter-Suchprozesses selbst. Der Kauf eines Algorithmus vom AWS Marketplace ist keine direkte Lösung für die Hyperparameter-Optimierung eines bestehenden XGBoost-Modells und bietet keinen Vorteil bezüglich des Betriebsaufwands für diese spezifische Aufgabe.