1

我有一个scikit-learn模型，我可以GCP使用AI Platform training. 我还想使用AI Platform training. 这是可能的，只需要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

这里的问题是两个参数之间存在一些依赖关系：min_df<max_df. 如果不是这种情况scikit-learn，将按预期失败。

在 YAML 中似乎不可能表达这种依赖关系。

我可以调整失败的试验次数，但如果我不走运并且我的第一份工作，df_min>df_max那么超参数调整的整个过程将停止。这似乎不是一个有效的选择。 链接文档

我可以在我的 python 代码中控制它并确保df_min<df_max我应该返回到代码中进行超参数调整（我猜是使用贝叶斯优化），以便它了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)

只是返回 0.0 的精度就足够了吗？或者我应该返回None还是NaN？我没有找到关于这个主题的任何文档。

额外问题：当我使用 YAML 时，我只能传递字符串，而不能像 None 或 NULL link doc

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

在将值传递给模型之前，我需要直接在 python 代码中转换'None'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？

4

1 回答 1

1

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（比如我们有 ），返回一个 0.0 的度量（在我的测试中是准确的df_min>df_max）。

正如您在下面看到的，在无效超参数的情况下返回值 0.0 时没有报告应计：示例

还发现代码只接受浮点数或字符串作为度量的输入，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'

我确信这不是 100% 正确的，但似乎可以按预期工作。

于 2019-12-18T14:13:24.523 回答