AUC hedefiyle ağaç tabanlı bir topluluk modelinde ince ayar yaparken, eğitim süresini ve maliyetini azaltmak için bir hiperparametre aralığını (örneğin, maksimum ağaç derinliği) nasıl ayarlayacağınıza karar vermenize hangi görselleştirme yardımcı olur?

Doğru cevap, maksimum ağaç derinliği ile hedef metrik (AUC) arasındaki ilişkiyi gösteren bir dağılım grafiğidir. Bu görselleştirme, farklı derinlik değerlerinin modelin performansını nasıl etkilediğini doğrudan göstererek, en uygun derinlik aralığını belirlemenize ve böylece gereksiz eğitim iterasyonlarını azaltarak eğitim süresini ve maliyetini düşürmenize yardımcı olur. Diğer seçenekler neden yanlış: Histogram, tek bir özelliğin dağılımını gösterir ve hiperparametre ayarlaması için doğrudan bilgi sağlamaz. t-SNE dağılım grafiği, yüksek boyutlu verileri görselleştirmek için kullanılır ancak hiperparametrelerin model performansı üzerindeki etkisini doğrudan göstermez. Eğitim iterasyonları boyunca hedef metrik değerini gösteren bir dağılım grafiği, modelin yakınsama sürecini gösterir ancak belirli bir hiperparametrenin (maksimum ağaç derinliği) performans üzerindeki etkisini karşılaştırmak için uygun değildir.