Vous devez maximiser l'AUC pour un problème de classification binaire en utilisant XGBoost et vous avez besoin de rechercher de bonnes valeurs pour eta, alpha, min_child_weight et max_depth avec un minimum de surcharge opérationnelle. Quelle approche nécessite le moins d'effort opérationnel ?

L'utilisation du réglage automatique de modèle (Automatic Model Tuning) d'Amazon SageMaker est la solution la plus efficace pour minimiser la surcharge opérationnelle. Cette fonctionnalité gère automatiquement l'orchestration des tâches d'entraînement, le suivi des expériences et la recherche des meilleurs hyperparamètres en fonction des plages définies et de la métrique cible (AUC dans ce cas). Elle est conçue pour l'optimisation des hyperparamètres à grande échelle sans nécessiter de gestion d'infrastructure manuelle. Les autres options impliquent plus d'effort opérationnel : Amorcer scikit-learn sur un cluster EMR nécessite la configuration et la gestion du cluster EMR, ainsi que l'implémentation manuelle de la validation croisée et de la recherche d'hyperparamètres. Utiliser des images Docker SageMaker pré-construites avec scikit-learn réduit une partie de la configuration, mais l'utilisateur doit toujours gérer manuellement le processus de validation croisée et d'exploration des hyperparamètres, ce qui est plus lourd que le réglage automatique. Acheter un algorithme sur AWS Marketplace n'est pas une solution directe pour l'optimisation des hyperparamètres d'un modèle XGBoost existant et ne réduit pas la surcharge opérationnelle pour la recherche d'hyperparamètres spécifiques à votre problème.