Optuna超参数调优通用方法报错'int is not subscriptable'求助

Hey Emin，我帮你梳理下代码里的问题以及解决方案，你遇到的int is not subscriptable错误主要是几个代码逻辑、语法问题导致的，咱们一步步来：

错误根源分析 #

1. 参数判断逻辑与用法错误：你在处理分类参数时，错误地给suggest_categorical传了param_range[0], param_range[1]，但这个方法需要直接传入候选值列表；另外如果parameters里某个参数的取值范围不是可下标类型（比如不小心传了单个整数），也会触发下标访问错误。
2. 缩进与作用域问题：objective函数的定义缩进不对，它应该嵌套在hyperparameter_tuning_opt函数内部，否则无法访问外部函数的变量。
3. 语法拼写错误：
   • 函数参数里early_stopping_rounds 100少了等号，应该是early_stopping_rounds=100
   • n_trails拼写错误，Optuna的正确参数名是n_trials（注意是两个i）
4. 模型兼容性问题：不是所有机器学习模型都支持early_stopping_rounds参数（比如sklearn的决策树、随机森林），直接在fit中传递会报错。

修正后的完整代码 #

import optuna
from sklearn.base import is_classifier

def hyperparameter_tuning_opt(model_object, parameters, x_train, y_train, n_trials=100, early_stopping_rounds=100):
    # 嵌套objective函数，确保能访问外部函数的变量
    def objective(trial):
        hyperparameters = {}
        
        for param_name, param_range in parameters.items():
            # 按参数类型分别处理
            if isinstance(param_range, tuple) and all(isinstance(p, int) for p in param_range):
                # 整数范围参数：比如(param_min, param_max)
                hyperparameters[param_name] = trial.suggest_int(param_name, param_range[0], param_range[1])
            elif isinstance(param_range, list):
                # 分类候选参数：比如["gini", "entropy"]
                hyperparameters[param_name] = trial.suggest_categorical(param_name, param_range)
            elif isinstance(param_range, tuple) and all(isinstance(p, float) for p in param_range):
                # 浮点范围参数：支持log刻度，比如(0.001, 0.1)
                hyperparameters[param_name] = trial.suggest_float(param_name, param_range[0], param_range[1], log=True)
            else:
                raise ValueError(f"不支持的参数范围格式：{param_range}")
        
        estimator = model_object(**hyperparameters)
        
        # 针对不同模型适配fit参数：仅支持early_stopping的模型才传递该参数
        fit_kwargs = {"verbose": 5}
        # 额外提醒：early_stopping需要验证集才能生效，建议后续添加x_val/y_val参数
        if hasattr(estimator, 'early_stopping_rounds'):
            fit_kwargs['early_stopping_rounds'] = early_stopping_rounds
            # 若有验证集，建议添加：fit_kwargs['eval_set'] = [(x_val, y_val)]
        
        estimator.fit(x_train, y_train, **fit_kwargs)
        
        # 返回评估指标（这里用模型默认的score方法，可根据任务替换为AUC、MSE等）
        return estimator.score(x_train, y_train)
    
    # 创建调优研究对象，指定最大化指标
    study = optuna.create_study(direction="maximize")
    study.optimize(objective, n_trials=n_trials)
    
    best_params = study.best_params
    all_trials = study.trials
    
    return best_params, all_trials

使用示例（适配不同模型） #

# 示例1：XGBoost分类器（支持early_stopping）
from xgboost import XGBClassifier
xgb_params = {
    'n_estimators': (50, 200),
    'max_depth': (3, 10),
    'learning_rate': (0.01, 0.3),
    'booster': ['gbtree', 'dart']
}
best_xgb_params, xgb_trials = hyperparameter_tuning_opt(XGBClassifier, xgb_params, x_train, y_train)

# 示例2：随机森林分类器（不支持early_stopping，代码会自动跳过）
from sklearn.ensemble import RandomForestClassifier
rf_params = {
    'n_estimators': (50, 200),
    'max_depth': (3, 15),
    'criterion': ['gini', 'entropy']
}
best_rf_params, rf_trials = hyperparameter_tuning_opt(RandomForestClassifier, rf_params, x_train, y_train)

额外注意事项 #

• 验证集必要性：early_stopping_rounds需要验证集才能发挥作用，建议你给函数添加x_val和y_val参数，在fit中传入eval_set=[(x_val, y_val)]，避免模型过拟合。
• 参数格式规范：确保parameters中的每个参数范围是以下三种类型之一：整数元组、分类列表、浮点元组。
• 指标自定义：当前用模型默认的score方法返回指标，你可以根据任务类型替换为更合适的指标（比如用sklearn.metrics计算AUC、均方误差等）。

备注：内容来源于stack exchange，提问作者Emin