不需要。optuna会为study自动选择默认的tpesampler和medianpruner，但后者需至少5次完成试验才触发剪枝，小样本下可能失效。
Optuna的study对象必须显式指定sampler和pruner吗？
不需要。Optuna会为study自动选择默认的TPESampler和MedianPruner，但默认pruner在小样本或早停敏感场景下可能不生效——它只在有至少5次完成试验（trial.state == TrialState.COMPLETE）后才开始剪枝。如果你跑10轮就停，很可能全程没触发剪枝。
实操建议：
- 明确传入
sampler=optuna.samplers.TPESampler(seed=42)确保可复现 - 若训练耗时高、超参空间稀疏，改用
pruner=optuna.pruners.HyperbandPruner()，它对早期性能波动更鲁棒 - 想彻底禁用剪枝？直接传
pruner=optuna.pruners.NopPruner()，避免意外跳过有效配置
定义目标函数时，如何安全地捕获模型训练异常？
Optuna在遇到Exception时会把该trial标记为FAIL并继续下一轮，但若未处理KeyboardInterrupt或MemoryError，整个study可能中断。更隐蔽的问题是：某些框架（如PyTorch Lightning）在trial中启动多进程会导致ForkingPickler错误。
实操建议：
- 在目标函数最外层包一层
try...except Exception，对非预期异常返回一个极差的分数（如float('inf')），而非让程序崩掉 - 禁用PyTorch的自动多进程：在
train_dataloader中设num_workers=0，或用if __name__ == '__main__':保护入口 - 避免在目标函数内调用
print()或写文件——并发trial会冲突；改用trial.set_user_attr('loss_curve', loss_list)存诊断信息
怎样把sklearn Pipeline的超参映射到Optuna的trial？
sklearn的Pipeline参数名是嵌套的（如clf__C、preproc__max_features），直接用trial.suggest_float('C', 1e-3, 1e3, log=True)会丢失结构关联，导致无法复现实验或分析超参重要性。
实操建议：
- 用
pipeline.named_steps动态获取步骤名，再拼接键名：f'{step_name}__C' - 对分类器类型做条件采样：
classifier_type = trial.suggest_categorical('classifier', ['logistic', 'rf'])，再根据值决定后续suggest逻辑 - 用
optuna.importance.get_param_importances(study)前，确保所有trial都用了完全相同的参数键名，否则会报KeyError
保存与恢复study时，SQLite路径权限和并发写入怎么处理？
sqlite:///db.sqlite3路径若指向网络盘或Docker容器外挂卷，容易因锁机制失败，报错Database is locked；而用joblib序列化study对象虽快，但无法跨Python版本兼容，且不保存RDBMS级别的优化历史。
实操建议：
- 本地开发用
storage='sqlite:///./optuna.db'，确保目录可写；生产部署优先选MySQLStorage或RedisStorage - 多进程并行时，务必设
n_jobs > 1的同时启用study.optimize(..., n_jobs=4)，不要手动开Process池——Optuna自己管并发 - 恢复study必须用相同
study_name和storage，否则新建同名study会覆盖旧记录；检查是否已存在：optuna.load_study(study_name=..., storage=...)会抛KeyError如果不存在
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
