ある銀行が、組み込みのXGBoostアルゴリズムでSageMakerを使用し、検証精度を目的としてベイズ自動ハイパーパラメータチューニングジョブを実行しました。デプロイされたモデルの現在の精度は75%です。銀行はMLスペシャリストに、本番環境の精度を向上させるために1日を与えました。その時間内にモデルを改善するために試す最も速い方法は何ですか？

SageMakerのウォームスタートハイパーパラメータチューニングは、以前のチューニングジョブの知識（ハイパーパラメータの組み合わせとそれに対応するパフォーマンス）を利用して、新しいチューニングジョブをより効率的に開始します。これにより、以前の最適な候補から探索を開始し、改善の可能性が高い領域に焦点を当てるため、限られた時間内で精度を向上させる最も速い方法となります。 「増分トレーニング」は、既存のモデルを新しいデータで継続してトレーニングするもので、ハイパーパラメータチューニングとは異なります。 「AUCを目的メトリックとして使用する新しいジョブ」や「F1スコアを目的メトリックとして使用する新しいジョブ」は、以前のチューニング結果を考慮しないため、ゼロから探索を開始することになり、1日という時間制約の中で最も効率的ではありません。また、目的メトリックの変更は、以前のチューニング結果を直接活用する妨げになります。