Банк использовал SageMaker со встроенным алгоритмом XGBoost и запустил автоматическую настройку гиперпараметров по Байесу, используя точность валидации в качестве целевого показателя. Развернутая модель в настоящее время имеет точность 75%. Банк дал специалисту по машинному обучению один день на повышение точности в продакшене. Какой самый быстрый способ попытаться улучшить модель за это время?

Самый быстрый способ улучшить модель за один день — это использовать "теплый старт" (warm start) для настройки гиперпараметров. Это позволяет продолжить поиск оптимальных гиперпараметров, используя знания из предыдущего задания по настройке, что значительно сокращает время, необходимое для сходимости. Сохранение того же целевого показателя (точности валидации) гарантирует, что оптимизация продолжается в том же направлении, что и раньше. Инкрементальное обучение не подходит, так как оно используется для обновления уже обученной модели новыми данными, а не для улучшения гиперпараметров. Создание нового задания с другим целевым показателем (AUC или F1-мера) или увеличенным количеством обучающих заданий потребует полного перезапуска процесса настройки, что займет больше времени и не гарантирует быстрого улучшения.