能否清理/删除Optuna试验？应对随时间变化的模型场景切换

1. 获取最近N次试验中的最优参数 #

你可以通过自定义函数筛选近期试验并找到其中的最优参数，替代全局的study.best_trial.params：

import optuna

def get_recent_best_params(study, n_recent):
    # 按完成时间倒序排列试验，取最近N次
    trials = sorted(study.get_trials(), key=lambda t: t.datetime_complete, reverse=True)[:n_recent]
    # 仅保留已完成的有效试验
    completed_trials = [t for t in trials if t.state == optuna.trial.TrialState.COMPLETE]
    if not completed_trials:
        return None
    # 根据优化方向（最小化/最大化）筛选最优试验
    if study.direction == optuna.study.StudyDirection.MINIMIZE:
        best_trial = min(completed_trials, key=lambda t: t.value)
    else:
        best_trial = max(completed_trials, key=lambda t: t.value)
    return best_trial.params

调用示例：recent_best = get_recent_best_params(your_study, 20)

另外，你提到的study.get_trials()[-1].params可以获取最后一次试验的参数，但注意要先判断该试验是否处于COMPLETE状态，避免拿到未完成的无效参数。

2. 清理/忽略旧试验以优化采样 #

针对旧试验干扰采样的问题，有三种可行方案：

• 直接删除旧试验：使用Optuna的delete_trials方法移除过期试验，后续采样和最优值计算都会基于剩余数据：

from datetime import datetime, timedelta

# 设定时间阈值（例如删除3天前的试验）
cutoff_time = datetime.now() - timedelta(days=3)
old_trial_ids = [t._trial_id for t in study.get_trials() if t.datetime_complete < cutoff_time]
study.delete_trials(old_trial_ids)

删除前建议用study.trials_dataframe()导出数据备份，避免丢失历史记录。

• 自定义采样器过滤旧数据：若不想删除试验，可基于Optuna原生采样器（如TPESampler）重写逻辑，让采样时仅参考最近N次试验的结果，完全忽略旧数据的影响。

• 定期创建新Study：如果场景变化频繁，每隔一段时间新建一个独立的Study专门优化当前场景，彻底隔离旧场景的试验数据，这种方式最彻底，无需处理旧数据的干扰。

补充说明 #

study.best_trial.params确实是遍历所有历史试验返回的全局最优，当场景变化后，这个全局最优自然不再适配当前环境，因此优先参考近期试验的结果更合理。

内容的提问来源于stack exchange，提问作者Mark