En lugar de seleccionar manualmente valores específicos para los hiperparámetros de nuestro modelo, la búsqueda aleatoria (RandomizedSearchCV) ofrece una forma más eficiente de encontrar una configuración óptima. A diferencia de la búsqueda en cuadrícula (GridSearchCV), que evalúa sistemáticamente todas las combinaciones posibles de hiperparámetros, la búsqueda aleatoria selecciona un subconjunto aleatorio de estas combinaciones. Este enfoque reduce significativamente el costo computacional y, aun así, produce buenos resultados.

En redes neuronales, donde la cantidad de combinaciones posibles de hiperparámetros puede ser inmensa, probar exhaustivamente cada opción suele ser impracticable. La búsqueda aleatoria resuelve este problema mediante el muestreo aleatorio de un número definido de conjuntos de hiperparámetros, equilibrando la exploración y la eficiencia.

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: modelo a optimizar (por ejemplo, MLPClassifier);
• param_distributions: diccionario donde las claves son los nombres de los hiperparámetros y los valores son listas de las cuales muestrear;
• n_iter: especifica cuántas combinaciones aleatorias deben probarse. Un valor mayor aumenta las posibilidades de encontrar una combinación óptima, pero requiere más cómputo;
• scoring: define la métrica de evaluación (por ejemplo, 'accuracy' para clasificación).