XGBoost를 사용하는 이진 분류 문제에 대해 AUC를 최대화해야 하며, 최소한의 운영 오버헤드로 eta, alpha, min_child_weight 및 max_depth에 대한 적절한 값을 찾아야 합니다. 어떤 접근 방식이 운영 노력이 가장 적게 필요합니까?

Amazon SageMaker 자동 모델 튜닝(AMT)은 주어진 하이퍼파라미터 범위 내에서 최적의 모델을 찾기 위해 다양한 하이퍼파라미터 조합을 자동으로 테스트하고 평가하는 관리형 서비스입니다. 이는 운영 오버헤드를 최소화하면서 AUC와 같은 특정 지표를 최대화하는 데 가장 효율적인 방법입니다. EMR 클러스터에서 scikit-learn을 부트스트랩하거나 사전 구축된 SageMaker Docker 이미지를 사용하는 것은 수동으로 k-fold 교차 검증을 구현하고 관리해야 하므로 운영 노력이 더 많이 필요합니다. AWS Marketplace에서 알고리즘을 구매하는 것은 특정 요구 사항을 충족하지 못할 수 있으며, 여전히 수동 튜닝이 필요할 수 있습니다.