Question#16(MLS-C01)
機械学習（ML）スペシャリストは、マーケティングデータセットの2値分類問題を解決する必要があります。MLスペシャリストは、XGBoostアルゴリズムをトレーニングして、ROC曲線下面積（AUC）を最大化する必要があります。MLスペシャリストは、eta、alpha、min_child_weight、max_depthのハイパーパラメータの値を見つけ出し、最も正確なモデルを生成する必要があります。これらの要件を最小の運用オーバーヘッドで満たすアプローチはどれですか？
正解：C
Amazon SageMakerの自動モデルチューニング（AMT）は、XGBoostのハイパーパラメータ（eta、alpha、min_child_weight、max_depthなど）を効率的に探索するためのマネージドサービスです。AMTでは、ユーザーが各ハイパーパラメータの範囲を指定し、AUC（validation:auc）を最適化目標として設定できます。AMTは、ベイズ最適化やハイパーバンドなどの戦略を使用して、効率的に高性能なハイパーパラメータの組み合わせを見つけ、計算リソースを最適化します。SageMakerはXGBoostを組み込みアルゴリズムとしてサポートしており、環境設定やライブラリインストールが不要なため、運用オーバーヘッドが最小限に抑えられます。データサイエンティストは、ハイパーパラメータの範囲を指定するだけでチューニングジョブを実行でき、結果を簡単に評価できます。AWSドキュメントでは、AMTがXGBoostのAUC最適化に適しており、運用管理を簡素化することが記載されています。
コメント