某銀行使用 SageMaker 內建的 XGBoost 演算法，並以驗證準確度 (validation accuracy) 作為目標，執行了貝氏自動超參數調校 (Bayesian automatic hyperparameter tuning) 作業。目前部署的模型準確度為 75%。銀行給了機器學習專家一天的時間來提高生產環境的準確度。在一天內，最快能改善模型的方法是什麼？

暖啟動 (Warm start) 是在有限時間內改進模型的最佳方法，因為它利用了先前超參數調校作業的結果，從已知的最佳超參數組合附近繼續探索，從而加速找到更好模型的過程。這比從頭開始新的調校作業更有效率。選項A的增量訓練適用於模型權重而非超參數。選項B和D建議使用不同的目標指標或從頭開始新的調校作業，這會浪費寶貴的時間，因為需要重新探索超參數空間，且更改指標可能不直接解決準確度問題。