XGBoost kullanarak ikili sınıflandırma problemi için AUC'yi maksimize etmeniz gerekiyor ve eta, alpha, min_child_weight ve max_depth için iyi değerleri minimum operasyonel yük ile aramanız gerekiyor. Hangi yaklaşım en az operasyonel çaba gerektirir?

Doğru cevap, Amazon SageMaker otomatik model ayarlamasını (Automatic Model Tuning) kullanmaktır çünkü bu özellik, hiperparametre optimizasyonu için en az operasyonel yükü sunar. SageMaker, belirtilen hiperparametre aralıklarında farklı kombinasyonları otomatik olarak test eder ve tanımlanan metrik (bu durumda AUC) için en iyi performansı veren modeli bulur. Bu, manuel deneme yanılma veya özel bir küme yönetimi ihtiyacını ortadan kaldırır. EMR kümesinde scikit-learn kullanmak veya SageMaker Docker imajlarını manuel olarak çalıştırmak, k-kat çapraz doğrulama için kod yazmayı ve altyapıyı yönetmeyi gerektirir, bu da daha fazla operasyonel çaba demektir. AWS Marketplace'ten bir algoritma satın almak, hiperparametre ayarlamasını otomatikleştirmez ve yine de manuel optimizasyon gerektirebilir.