Plutôt que de sélectionner manuellement des valeurs spécifiques pour les hyperparamètres de notre modèle, la recherche aléatoire (RandomizedSearchCV) propose une méthode plus efficace pour trouver une configuration optimale. Contrairement à la recherche par grille (GridSearchCV), qui évalue systématiquement toutes les combinaisons possibles d'hyperparamètres, la recherche aléatoire sélectionne un sous-ensemble aléatoire de ces combinaisons. Cette approche réduit considérablement le coût computationnel tout en offrant de bons résultats.

Pour les réseaux de neurones, où le nombre de combinaisons d'hyperparamètres possibles peut être immense, tester de manière exhaustive chaque option est souvent impraticable. La recherche aléatoire contourne ce problème en échantillonnant aléatoirement un nombre défini d'ensembles d'hyperparamètres, équilibrant ainsi exploration et efficacité.

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 : le modèle à optimiser (par exemple, MLPClassifier) ;
• param_distributions : un dictionnaire dont les clés sont les noms des hyperparamètres et les valeurs sont des listes à échantillonner ;
• n_iter : spécifie combien de combinaisons aléatoires doivent être testées. Une valeur plus élevée augmente les chances de trouver une combinaison optimale mais nécessite plus de calcul ;
• scoring : définit la métrique d'évaluation (par exemple, 'accuracy' pour la classification).