Welke visualisatie helpt, bij het tunen van een ensemblemodel op basis van een boomstructuur met AUC als doelstelling, te bepalen hoe een hyperparameterbereik (bijvoorbeeld de maximale boomdiepte) moet worden aangepast om de trainingstijd en -kosten te verminderen?

De juiste optie is een scatterplot dat de relatie tussen de maximale boomdiepte en de doelstellingsmetriek weergeeft. Dit type plot visualiseert direct hoe de gekozen hyperparameter (maximale boomdiepte) de prestaties van het model (gemeten door AUC) beïnvloedt. Door deze relatie te zien, kan men bepalen of verdere verhoging van de boomdiepte nog significante verbeteringen oplevert of dat de prestaties afvlakken. Dit helpt bij het identificeren van een optimale boomdiepte die een goede balans biedt tussen prestaties en de benodigde trainingstijd en -kosten, door onnodig complexe modellen te vermijden. Een histogram van een invoerfunctie is relevant voor feature engineering, niet voor hyperparametertuning. Een t-SNE-scatterplot helpt bij het visualiseren van clusters in hoge-dimensionale data, wat nuttig is voor data-exploratie, maar niet direct voor het tunen van een specifieke hyperparameter. Een scatterplot van de doelstellingsmetriek over trainingsiteraties toont het trainingsverloop, maar niet de impact van een specifieke hyperparameter op de uiteindelijke prestaties.