I stedet for å manuelt velge spesifikke verdier for modellens hyperparametre, gir randomisert søk (RandomizedSearchCV) en mer effektiv metode for å finne en optimal konfigurasjon. I motsetning til grid search (GridSearchCV), som systematisk evaluerer alle mulige kombinasjoner av hyperparametre, velger randomisert søk et tilfeldig utvalg av disse kombinasjonene. Denne tilnærmingen reduserer beregningskostnadene betydelig, samtidig som den gir gode resultater.

For nevrale nettverk, hvor antallet mulige hyperparameterkombinasjoner kan være enormt, er det ofte upraktisk å teste alle alternativer. Randomisert søk omgår dette problemet ved å tilfeldig trekke et definert antall hyperparametersett, og balanserer dermed utforskning 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 som skal optimaliseres (for eksempel MLPClassifier);
• param_distributions: en ordbok der nøklene er navn på hyperparametre og verdiene er lister det skal trekkes fra;
• n_iter: angir hvor mange tilfeldige kombinasjoner som skal testes. En høyere verdi øker sannsynligheten for å finne en optimal kombinasjon, men krever mer beregning;
• scoring: definerer evalueringsmetrikken (for eksempel 'accuracy' for klassifisering).