使用AI平台超参数调优能力时，如何强制参数依赖？

Question

我有一个scikit-learn模型，我可以使用AI Platform training在GCP上训练它。我还想使用AI Platform training进行超参数调优。这是可能的，只需要传递一个带有参数及其范围的YAML：

params:
- parameterName: max_df
  type: DOUBLE
  minValue: 0.0
  maxValue: 1.0
  scaleType: UNIT_LINEAR_SCALE
- parameterName: min_df
  type: DOUBLE
  minValue: 0
  maxValue: 1.
  scaleType: UNIT_LINEAR_SCALE

这里的问题是两个参数之间存在一些依赖关系：min_df<max_df。如果不是这样的话，scikit-learn将会像预期的那样失败。

在YAML中似乎不可能表达这样的依赖关系。

我可以调优失败的试验次数，但如果我不走运，对于第一个作业，我有df_min>df_max，那么整个超参数调优过程将停止。这似乎不是一个有效的选择。link doc

我可以在我的python代码中控制这一点，并确保df_min<df_max，但是我应该向代码返回什么来进行超参数调优(我猜是使用贝叶斯优化)，以便它理解这种参数选择是无效的？

# this is for hyperparameter tuning
    hpt = hypertune.HyperTune()
    hpt.report_hyperparameter_tuning_metric(
        hyperparameter_metric_tag='accuracy',
        metric_value=accuracy,
        global_step=0)

仅仅返回0.0的精确度就足够了吗？或者我应该返回None或NaN？我没有找到任何关于这个主题的文档。

附加问题:当我使用YAML时，我只能传递字符串，而不能像None或NULL那样传递link doc

- parameterName: FT_norm
      type: CATEGORICAL
      categoricalValues: ['l1', 'l2', 'None']

在将值传递给模型之前，我需要在python代码中直接将'None'转换为None。有没有更好的方法来处理这种情况？(我正在使用gcloud cli)例如使用GCP python客户端库？

Answer 1

最后，我实现了上面描述的想法，当给sciki learn的参数不正确时(就像我们有df_min>df_max时)，返回度量0.0 (在我的测试中是准确的)。

正如您在下面看到的，在超参数无效的情况下返回值0.0时，没有报告应计项目：

​

还发现代码只接受浮点数或字符串作为指标的输入，如下所示，但我没有找到更多详细解释这一点的文档：

File "/root/.local/lib/python3.5/site-packages/hypertune/hypertune.py", line 62, in report_hyperparameter_tuning_metric
    metric_value = float(metric_value)
TypeError: float() argument must be a string or a number, not 'NoneType'

我敢肯定这是100%正确的，但似乎如预期的那样工作。