I stedet for manuelt at vælge specifikke værdier for modellens hyperparametre, tilbyder randomiseret søgning (RandomizedSearchCV) en mere effektiv metode til at finde en optimal konfiguration. I modsætning til grid search (GridSearchCV), som systematisk evaluerer alle mulige kombinationer af hyperparametre, vælger randomiseret søgning et tilfældigt delmængde af disse kombinationer. Denne tilgang reducerer markant de beregningsmæssige omkostninger og giver stadig gode resultater.

For neurale netværk, hvor antallet af mulige hyperparameter-kombinationer kan være enormt, er det ofte upraktisk at teste alle muligheder udtømmende. Randomiseret søgning omgår dette problem ved tilfældigt at udvælge et defineret antal sæt af hyperparametre, hvilket balancerer mellem udforskning og effektivitet.

RandomizedSearchCV(
    estimator=model, 
    param_distributions=randomized_parameters, 
    n_iter=number_of_models_to_test,  # Number of random combinations to evaluate
    scoring='accuracy',  # Evaluation metric
    random_state=42,  # Ensures reproducibility
)

• estimator: modellen der skal optimeres (f.eks. MLPClassifier);
• param_distributions: en ordbog hvor nøglerne er navne på hyperparametre og værdierne er lister, der skal samples fra;
• n_iter: angiver hvor mange tilfældige kombinationer der skal testes. En højere værdi øger sandsynligheden for at finde en optimal kombination, men kræver mere beregning;
• scoring: definerer evalueringsmetrikken (f.eks. 'accuracy' for klassifikation).