Uma equipe de cientistas de dados está desenvolvendo um modelo preditivo e deseja otimizar seus hiperparâmetros para
maximizar a performance do modelo.
a) aprimorar o modelo utilizando Random Search para explorar uma amostra limitada de hiperparâmetros, complementado por AutoML para automatizar a escolha da melhor arquitetura de modelo, mas sem a necessidade de ajuste posterior dos hiperparâmetros.
b) aplicar Random Search para selecionar aleatoriamente uma combinação de hiperparâmetros, testando apenas uma
pequena amostra do espaço de busca e, em seguida, utilizar AutoTuning para selecionar automaticamente as features
mais relevantes.
c) empregar algoritmos de otimização como Bayesian Optimization ou Tree-structured Parzen Estimators (TPE), para
explorar o espaço de hiperparâmetros de maneira mais eficiente que o Grid Search ou Random Search, ajustando o
modelo com base nas amostras mais promissoras.
d) executar AutoFeature Engineering antes de qualquer otimização de hiperparâmetros para garantir que o conjunto de
dados esteja completamente preparado, utilizando Grid Search para testar uma única combinação de hiperparâmetros
previamente selecionada.
e) utilizar Grid Search para testar todas as possíveis combinações de hiperparâmetros sem um espaço definido, seguido
por AutoML para realizar a engenharia automática de features, ajustando o modelo de acordo com os melhores resultados.