Musisz zmaksymalizować AUC dla problemu klasyfikacji binarnej przy użyciu XGBoost i musisz wyszukać dobre wartości dla eta, alpha, min_child_weight i max_depth przy minimalnym nakładzie operacyjnym. Które podejście wymaga najmniejszego wysiłku operacyjnego?

Automatyczne strojenie modelu Amazon SageMaker (AMT) jest zaprojektowane do efektywnego znajdowania najlepszych hiperparametrów dla modelu, minimalizując wysiłek operacyjny. Wymaga jedynie podania zakresów wartości dla hiperparametrów i metryki celu (takiej jak AUC). SageMaker automatycznie zarządza infrastrukturą, uruchamia wiele zadań treningowych z różnymi kombinacjami hiperparametrów i wybiera najlepszy model. Uruchamianie scikit-learn na klastrze EMR lub w kontenerach Docker SageMaker wymaga ręcznego zarządzania klastrem, konfiguracji środowiska i implementacji logiki walidacji krzyżowej oraz przeszukiwania hiperparametrów, co jest bardziej złożone operacyjnie. Zakup algorytmu z AWS Marketplace może być pomocny, ale nie eliminuje potrzeby strojenia hiperparametrów i nie oferuje wbudowanego automatycznego strojenia w taki sam sposób jak SageMaker AMT.