сделать прогон optuna в блокноте research опциональным

research/research.py

@@ -68,6 +68,7 @@ import mlflow.sklearn
 import mlxtend.feature_selection
 import mlxtend.plotting
 import optuna
+import optuna.samplers
 import sklearn.compose
 import sklearn.ensemble
 import sklearn.metrics
@@ -714,8 +715,9 @@ def regressor_hyperparams_objective(trial):
 # optuna study:
 
 # %%
-optuna_study = optuna.create_study(direction='minimize')
+optuna_sampler = optuna.samplers.TPESampler(seed=0x0A1C)
-optuna_study.optimize(regressor_hyperparams_objective, n_trials=64, timeout=120.)
+optuna_study = optuna.create_study(sampler=optuna_sampler, direction='minimize')
+optuna_study.optimize(regressor_hyperparams_objective, n_trials=24)
 
 # %% [markdown]
 # Количество выполненных trials:
@@ -724,19 +726,13 @@ optuna_study.optimize(regressor_hyperparams_objective, n_trials=64, timeout=120.
 len(optuna_study.trials)
 
 # %% [markdown]
-# Лучшие найдённые гиперпараметры (недетерминированы, один из результатов записан явно):
+# Лучшие найдённые гиперпараметры:
 
 # %%
-optuna_study.best_params
+repr(optuna_study.best_params)
 
 # %%
-regressor_best_params = {
+regressor_best_params = dict(optuna_study.best_params.items())
-    #'n_estimators': 51,
-    'n_estimators': 50,
-    'max_depth': 11,
-    #'max_features': 0.44655290756636146,
-    'max_features': 0.45,
-}
 
 # %% [markdown]
 # Составной пайплайн: