Welche Visualisierung hilft bei der Feinabstimmung eines baumbasierten Ensemble-Modells mit AUC als Ziel, um zu entscheiden, wie ein Hyperparameterbereich (z. B. die maximale Baumtiefe) angepasst werden kann, um die Trainingszeit und die Kosten zu reduzieren?

Um die Trainingszeit und Kosten zu reduzieren, während die AUC als Zielmetrik beibehalten wird, ist es entscheidend zu verstehen, wie sich Hyperparameter auf die Leistung auswirken. Ein Streudiagramm, das die maximale Baumtiefe (ein Hyperparameter) gegen die AUC (Zielmetrik) darstellt, ermöglicht es, den Sweet Spot zu identifizieren. Man kann sehen, wo die AUC ein Plateau erreicht oder abfällt, wenn die Baumtiefe zunimmt. Dies hilft, eine optimale maximale Baumtiefe zu wählen, die eine gute Leistung liefert, ohne unnötig tiefe Bäume zu trainieren, was Trainingszeit und Kosten spart. Ein Histogramm der Eingabefeatures ist nützlich für die Datenanalyse, aber nicht direkt für die Hyperparameter-Feinabstimmung. Ein t-SNE-Streudiagramm hilft, Cluster in hochdimensionalen Daten zu visualisieren, aber nicht die Beziehung zwischen Hyperparametern und Metriken. Ein Streudiagramm der Zielmetrik über Trainingsiterationen zeigt den Trainingsfortschritt, aber nicht, wie Hyperparameter die Endleistung beeinflussen.