チャレンジ：自動ハイパーパラメータチューニング

モデルのハイパーパラメータを手動で選択する代わりに、ランダムサーチ（RandomizedSearchCV）は最適な構成を見つけるためのより効率的な方法です。グリッドサーチ（GridSearchCV）がハイパーパラメータのすべての組み合わせを体系的に評価するのに対し、ランダムサーチはこれらの組み合わせからランダムなサブセットを選択します。このアプローチにより、計算コストを大幅に削減しつつ、優れた結果を得ることができます。

ニューラルネットワークでは、可能なハイパーパラメータの組み合わせ数が膨大になるため、すべての選択肢を網羅的にテストするのは多くの場合非現実的です。ランダムサーチは、定義された数のハイパーパラメータセットをランダムにサンプリングすることで、この問題を回避し、探索と効率のバランスを取ります。

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: 最適化するモデル（例：MLPClassifier）
• param_distributions: ハイパーパラメータ名をキー、サンプリングする値のリストを値とする辞書
• n_iter: テストするランダムな組み合わせ数を指定。値が大きいほど最適な組み合わせが見つかる可能性が高まるが、計算量も増加
• scoring: 評価指標を定義（例：分類の場合は'accuracy'）