AUC を目的関数としてツリーベースのアンサンブルモデルをチューニングする際に、トレーニング時間とコストを削減するためにハイパーパラメータの範囲（例: 最大ツリー深度）をどのように調整すべきかを判断するのに役立つ可視化はどれですか？

正解は「最大ツリー深度と目的関数との関係を示す散布図」です。この散布図は、異なる最大ツリー深度でモデルを評価した際のAUC（目的関数）の変化を直接的に示します。これにより、AUCが飽和し始める、あるいは低下し始める最大ツリー深度を特定でき、それ以上の深度はトレーニング時間とコストの無駄であると判断できます。 他の選択肢は不適切です。「上位の入力特徴がガウス分布に従っているかどうかを示すヒストグラム」は特徴量エンジニアリングには役立ちますが、ハイパーパラメータチューニングの効率化には直接関係ありません。「ターゲットによって色分けされた点を持つ高次元入力の t-SNE 散布図」はデータセットのクラスタリングや分離可能性の可視化に有用ですが、特定のハイパーパラメータと目的関数の関係を示すものではありません。「トレーニングイテレーション全体での目的関数の値を示す散布図」はモデルの収束状況を示しますが、ハイパーパラメータの範囲を調整する際の指針にはなりません。