如何让HyperOpt fmin()的目标函数接收额外位置参数

我正尝试使用hyperopt.fmin优化XGBoost分类器的超参数，已定义如下目标函数：

from hyperopt import fmin
def objective(space, x1, x2):
    'do whatever to define loss_array'
    return {'loss': -loss_array.mean(), 'loss_variance': np.var(loss_array, ddof=1),'status': STATUS_OK, 'scores':score_dataframe}

我希望将x1和x2设为可选参数（例如用于指定不同的损失函数），随后执行如下最小化操作：

argmin = fmin(
    fn=objective,
    space=space,
    algo=tpe.suggest,
    max_evals = 700,
    trials=trials,
    rstate = np.random.RandomState(1),
    max_queue_len=8,
    early_stop_fn=no_progress_loss_custom(50,0) # 当损失在x轮迭代后无提升时停止超参数调优。非自定义版本无法与SparkTrials兼容
)

请问如何让fn=objective能够接收这两个额外的位置参数？

其实hyperopt.fmin对传入的fn有个硬性要求：它只能接受一个参数，也就是搜索空间的space对象。所以要给目标函数传递额外的x1和x2，有两种实用的办法：

方法1：用Lambda表达式快速包裹 #

这是最直接的写法，用lambda把x1和x2的固定值绑定好，只把space传给原目标函数：

# 先准备好x1和x2的具体值，比如指定损失函数和评估指标
x1_value = "binary_crossentropy"
x2_value = "auc"

argmin = fmin(
    fn=lambda space: objective(space, x1=x1_value, x2=x2_value),
    space=space,
    algo=tpe.suggest,
    max_evals = 700,
    trials=trials,
    rstate = np.random.RandomState(1),
    max_queue_len=8,
    early_stop_fn=no_progress_loss_custom(50,0)
)

如果想让x1和x2成为真正的可选参数，你可以先给目标函数设置默认值：

def objective(space, x1="default_loss", x2="default_metric"):
    # 你的损失计算逻辑
    return {'loss': -loss_array.mean(), 'loss_variance': np.var(loss_array, ddof=1),'status': STATUS_OK, 'scores':score_dataframe}

这样后续用lambda的时候，就算不传入x1和x2，函数也会使用默认值运行。

方法2：用functools.partial优雅绑定参数 #

如果你觉得lambda的写法不够直观，或者需要绑定的参数较多，可以用Python标准库的functools.partial来创建一个“预填充参数”的新函数：

from functools import partial

# 把x1和x2的参数值预先绑定到objective上，生成新函数
objective_with_params = partial(objective, x1=x1_value, x2=x2_value)

# 直接把这个新函数传给fmin即可
argmin = fmin(
    fn=objective_with_params,
    space=space,
    algo=tpe.suggest,
    max_evals = 700,
    trials=trials,
    rstate = np.random.RandomState(1),
    max_queue_len=8,
    early_stop_fn=no_progress_loss_custom(50,0)
)

这种方式的可读性更好，尤其在参数复杂的场景下。

额外注意点 #

• 不管用哪种方法，一定要保证x1和x2的值在fmin运行期间是固定的，不然会导致超参数调优过程中参数意外变动，影响最终结果的稳定性。
• 从你注释里提到的SparkTrials兼容问题来看，这两种方法都能正常工作，因为它们最终都生成了一个只接受space参数的函数，完全符合hyperopt.fmin的要求。

内容的提问来源于stack exchange，提问作者deblue