XGBoost を使用する二項分類問題で AUC を最大化する必要があり、最小限の運用オーバーヘッドで eta、alpha、min_child_weight、および max_depth の適切な値を検索する必要があります。最も運用上の労力が少ないアプローチはどれですか？

Amazon SageMaker の自動モデルチューニングは、指定されたハイパーパラメータの範囲内で最適なモデル設定を自動的に探索し、AUCなどの目的関数を最大化します。これにより、手動での試行錯誤が不要になり、運用上の労力が大幅に削減されます。scikit-learn を使用したk分割交差検定は有効な手法ですが、EMRクラスターやSageMaker Dockerイメージを自分で管理・設定する必要があり、自動モデルチューニングよりも運用上のオーバーヘッドが大きくなります。AWS Marketplaceからのアルゴリズム購入は、必ずしもハイパーパラメータチューニングのプロセスを簡素化するわけではありません。