Piuttosto che selezionare manualmente valori specifici per gli iperparametri del modello, la ricerca randomizzata (RandomizedSearchCV) offre un modo più efficiente per individuare una configurazione ottimale. A differenza della ricerca a griglia (GridSearchCV), che valuta sistematicamente tutte le possibili combinazioni di iperparametri, la ricerca randomizzata seleziona un sottoinsieme casuale di queste combinazioni. Questo approccio riduce significativamente il costo computazionale, pur garantendo risultati validi.

Per le reti neurali, dove il numero di possibili combinazioni di iperparametri può essere enorme, testare esaustivamente ogni opzione è spesso impraticabile. La ricerca randomizzata aggira questo problema campionando casualmente un numero definito di set di iperparametri, bilanciando esplorazione ed efficienza.

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: il modello da ottimizzare (ad esempio, MLPClassifier);
• param_distributions: un dizionario in cui le chiavi sono i nomi degli iperparametri e i valori sono le liste da cui campionare;
• n_iter: specifica quante combinazioni casuali devono essere testate. Un valore più alto aumenta la probabilità di trovare una combinazione ottimale ma richiede più risorse computazionali;
• scoring: definisce la metrica di valutazione (ad esempio, 'accuracy' per la classificazione).