Python 在使用AI平台超参数调优功能时，如何强制参数依赖性？

我有一个

scikit学习

模型，我可以使用

AI平台培训

在

GCP

上进行培训。我还想使用

AI平台培训

进行超参数调整。这是可能的，只需传递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，这两个参数之间存在某种依赖关系：

min\u df最后，我实现了我上面描述的想法，当给sciki learn的参数不正确时（比如当我们有
df\u min>df\u max
时），返回0.0的度量（在我的测试中是accuray）

如下图所示，在超参数无效的情况下返回值0.0时，未报告应计项目：

我们还发现，代码只接受float或string作为度量的输入，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'

我不确定这是100%正确，但似乎工作的预期

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

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'