您必須使用 XGBoost 最大化二元分類問題的 AUC，並且需要以最少的營運負擔來搜尋 eta、alpha、min_child_weight 和 max_depth 的良好值。哪種方法需要的營運工作量最少？

使用 Amazon SageMaker 自動模型調優 (Automatic Model Tuning) 是最省力的方法，因為它專為高效地搜尋最佳超參數組合而設計。您只需定義每個超參數的範圍和目標指標 (例如 AUC)，SageMaker 便會自動執行多個訓練任務，並根據指定策略（如貝氏優化或網格搜尋）尋找最佳超參數集。這大大減少了手動配置和監控的工作量。 在 EMR 或 SageMaker Docker 映像檔上啟動 scikit-learn 並執行 k-fold 交叉驗證，雖然可行，但需要您手動編寫和管理超參數搜尋邏輯，並自行處理資源配置和任務調度，操作負擔較重。從 AWS Marketplace 購買演算法可能提供預優化的解決方案，但通常不允許您直接控制超參數調優過程，且可能無法針對您的特定資料集達到最佳 AUC。