A ideia por trás do `RandomizedSearchCV` é que ele funciona da mesma forma que o `GridSearchCV`, mas em vez de testar todas as combinações, ele testa um **subconjunto amostrado aleatoriamente**.

Por exemplo, este `param_grid` terá 100 combinações:
```python
param_grid = {'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
                         'weights': ['distance', 'uniform'],
                         'p': [1, 2, 3, 4, 5]}
```
O `GridSearchCV` testaria todas elas, o que é **demorado**. Com o `RandomizedSearchCV`, é possível testar apenas um **subconjunto escolhido aleatoriamente** de, por exemplo, 20 combinações. Normalmente, isso resulta em um desempenho um pouco inferior, mas é muito mais rápido.

Você pode controlar o número de combinações a serem testadas usando o argumento `n_iter` (definido como **10** por padrão). Fora isso, o uso é igual ao do `GridSearchCV`.

O aprendizado de máquina está presente em todos os lugares. Quer aprender por conta própria? Este curso é uma introdução ao mundo do aprendizado de máquina para que você compreenda conceitos básicos, trabalhe com o Scikit-learn – a biblioteca mais popular para ML – e desenvolva seu primeiro projeto de Machine Learning.
Este curso é destinado a estudantes com conhecimentos básicos em Python, Pandas e Numpy.

Aprenda os conceitos de Machine Learning e o fluxo de trabalho de projetos de ML.

O pré-processamento é provavelmente a etapa mais importante de um projeto de ML. Este capítulo aborda as etapas de pré-processamento necessárias para praticamente qualquer conjunto de dados.

Um pipeline é uma maneira organizada de combinar todas as etapas de pré-processamento, bem como um modelo. Pipelines facilitam muito o treinamento e o uso de um modelo.

A modelagem é a etapa mais interessante de um projeto de ML. Vamos aprender a construir, ajustar e avaliar o modelo!

Desafio: Ajuste de Hiperparâmetros com RandomizedSearchCV

Solução

Awesome!

Desafio: Ajuste de Hiperparâmetros com RandomizedSearchCV

Solução

Awesome!