如何在mlr3tuningspaces中为xgboost hyperband优化设置budget标签

lts()返回的默认搜索空间默认不会给控制训练轮次的nrounds参数打上Hyperband强制要求的budget标签，不用手动重写整套搜索空间，直接修改参数集的标签属性就能完成适配。

操作逻辑 #

1. 用lts()加载xgboost的官方默认搜索空间
2. 给搜索空间内的nrounds参数追加budget标签
3. 按需调整nrounds的取值范围，匹配你预期的最大训练轮次预算
4. 直接把处理好的搜索空间传入tune()函数，即可正常运行Hyperband调优

可运行复现代码 #

library(mlr3verse)
library(mlr3hyperband)
library(mlr3tuningspaces)

# 加载官方默认调优搜索空间
search_space = lts("classif.xgboost.default")

# 给nrounds添加Hyperband要求的budget标签
search_space$tags$nrounds = c(search_space$tags$nrounds, "budget")

# 按需调整nrounds的取值范围，默认范围可能不符合Hyperband的多预算调度要求
search_space$params$nrounds$lower = 1
search_space$params$nrounds$upper = 128

# 执行Hyperband超参数调优
instance = tune(
  method = "hyperband",
  task = tsk("pima"),
  learner = lrn("classif.xgboost", eval_metric = "logloss"),
  resampling = rsmp("cv", folds = 3),
  measures = msr("classif.ce"),
  search_space = search_space,
  term_evals = 100
)

# 输出最优超参数配置
instance$result

避坑提示 #

• 你贴的手动定义搜索空间的示例里存在笔误：正确标签名是budget，不是bugdget，拼写错误会导致Hyperband无法识别预算参数直接报错。
• 这套操作逻辑适配所有符合mlr3规范的学习器：如果使用LightGBM、Torch深度学习模型等其他学习器，只要找到对应控制训练迭代轮次的参数（比如LightGBM的num_iterations、Torch模型的epochs），追加budget标签即可适配Hyperband流程。
• 不需要手动重写搜索空间里的其他参数，lts()提供的默认搜索空间已经覆盖了xgboost常用调优超参数，直接修改标签和范围即可复用官方预设的参数范围经验值。

内容的提问来源于stack exchange，提问作者user2165907