Hyperparameter and Running Model BUT STUCK Python .py Files

I’m deploying a machine learning model using Python scripts (.py files) within an automated server workflow. The core of the model training process resides in model_training.py, which contains functions for data preprocessing, model training with hyperparameter optimization using Optuna, and model evaluation.

The deployment flow is orchestrated through main.py, where I execute the entire pipeline. Up until the stage where I retrieve best_params for model training, everything runs smoothly. However, at the best_params stage, the script appears to get stuck indefinitely, similar to what’s illustrated in the provided image (even when I test with n_trials=1 and early_stopping_rounds=1).

Here model_training.py:
import lightgbm as lgb from sklearn.metrics import mean_squared_error import numpy as np import optuna from sklearn.model_selection import train_test_split from optuna.integration import LightGBMPruningCallback import warnings warnings.filterwarnings("ignore", message="Found n_estimators` in params. Will use it instead of argument”)
optuna.logging.set_verbosity(optuna.logging.INFO)

seed = 42
np.random.seed(42)

def train_validation_test_split(X, y, test_size=0.2, random_state=seed):
“””
A function to split input data into training, validation, and test sets.

Parameters:
    X (array-like): The input features.
    y (array-like): The target variable.
    test_size (float): The proportion of the dataset to include in the test split.
    random_state (int): Controls the randomness of the training and testing indices.

Returns:
    X_train (array-like): Training data for input features.
    X_test (array-like): Testing data for input features.
    y_train (array-like): Training data for target variable.
    y_test (array-like): Testing data for target variable.
"""
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=test_size, random_state=random_state)
return X_train, X_test, y_train, y_test

def pre_lgb_dataset(X_train, X_test, y_train, y_test, cat_cols):
“””
Generate a LightGBM Dataset for training, validation, and testing data.

Parameters:
    - X_train: training data features
    - X_test: testing data features
    - y_train: training data labels
    - y_test: testing data labels
    - cat_cols: list of categorical columns
    - type: a string indicating the type of dataset

Returns:
    - train_data: LightGBM Dataset for training data
    - val_data: LightGBM Dataset for validation data
    - test_data: LightGBM Dataset for testing data
"""

train_data = lgb.Dataset(X_train, label=y_train, categorical_feature=cat_cols,free_raw_data=False)
test_data = lgb.Dataset(X_test, label=y_test, categorical_feature=cat_cols,free_raw_data=False)
return train_data, test_data

def train_optuna_cv(train_data, n_folds=5, n_trials=1, logging_period=10, early_stopping_rounds=10):
“””
Trains a LightGBM model using Optuna for hyperparameter optimization with cross-validation.

Parameters:
    - data: Features for training.
    - n_folds: Number of folds for cross-validation (default is 5).
    - n_trials: Number of optimization trials to run (default is 100).
    - logging_period: Interval for logging evaluation metrics during training (default is 10).
    - early_stopping_rounds: Rounds to trigger early stopping if no improvement (default is 10).

Returns:
    - best_params: Dictionary of the best hyperparameters found by Optuna.
"""

def objective(trial):
    # Define the hyperparameter search space
    params = {
        'objective': 'regression',
        'metric': 'rmse',
        'lambda_l1': trial.suggest_float('lambda_l1', 1e-8, 10.0, log=True),
        'lambda_l2': trial.suggest_float('lambda_l2', 1e-8, 10.0, log=True),
        'learning_rate': trial.suggest_float('learning_rate', 1e-3, 5e-1, log=True),
        'num_leaves': trial.suggest_int('num_leaves', 2, 256),
        'feature_fraction': trial.suggest_float('feature_fraction', 0.4, 1.0),
        'bagging_fraction': trial.suggest_float('bagging_fraction', 0.4, 1.0),
        'bagging_freq': trial.suggest_int('bagging_freq', 1, 7),
        'verbosity': -1  # Suppress internal LightGBM logging
    }


    # Perform cross-validation
    cv_results = lgb.cv(
        params,
        train_data,
        nfold=n_folds,
        stratified=False,  # Usually, stratification is not needed for regression
        shuffle=True,  # Shuffle data before splitting
        callbacks=[
            lgb.early_stopping(stopping_rounds=early_stopping_rounds),
            lgb.log_evaluation(period=logging_period),
            LightGBMPruningCallback(trial, 'rmse')
        ],
        seed=42,
    )
    # Get the best score from cross-validation
    best_score = cv_results['valid rmse-mean'][-1]

    return best_score
# Create an Optuna study and optimize
study = optuna.create_study(direction='minimize')
study.optimize(objective, n_trials=n_trials)

# Return the best found hyperparameters
best_params = study.best_params
return best_params`

`def model_pred(best_params, train_data, val_data):
# Train the model
best_model = lgb.train(best_params, train_data, valid_sets=[val_data])

return best_model`

Here’s a simplified structure of my workflow in main.py:

`from model_training import train_validation_test_split, pre_lgb_dataset, train_optuna_cv, model_pred
import pandas as pd
import numpy as np
import optuna

seed = 42
np.random.seed(42)

def main():
# Data preparation and feature engineering steps here…

# Model Training
X_train, X_test, y_train, y_test = train_validation_test_split(df_features, df_target)
train_data, test_data = pre_lgb_dataset(X_train, X_test, y_train, y_test, cat_cols)

# Hyperparameter Optimization
best_params = train_optuna_cv(train_data, n_trials=1, early_stopping_rounds=1)

# Model Training with Best Parameters
best_model = model_pred(best_params, train_data, test_data)

# Further steps for model evaluation and deployment...

if name == “main“:
main()`

To debug, I tried using a simplified sample_params as follows, and it ran without any issues

sample_params = { 'objective': 'regression', 'metric': 'rmse', 'num_leaves': 31, 'learning_rate': 0.05, 'num_threads': 4 }

What could be causing the script to get stuck at the best_params step despite simpler configurations running fine?
Any suggestions on how to troubleshoot or debug this issue further in an automated deployment environment?
Any insights or advice would be greatly appreciated. Thank you!

New contributor

Anh Nguyen is a new contributor to this site. Take care in asking for clarification, commenting, and answering.
Check out our Code of Conduct.

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật