Em vez de selecionar manualmente valores específicos para os hiperparâmetros do modelo, a busca aleatória (RandomizedSearchCV) oferece uma maneira mais eficiente de encontrar uma configuração ideal. Diferente da busca em grade (GridSearchCV), que avalia sistematicamente todas as combinações possíveis de hiperparâmetros, a busca aleatória seleciona um subconjunto aleatório dessas combinações. Essa abordagem reduz significativamente o custo computacional, mantendo resultados robustos.

Para redes neurais, onde o número de combinações possíveis de hiperparâmetros pode ser imenso, testar exaustivamente cada opção é frequentemente impraticável. A busca aleatória contorna esse problema ao amostrar aleatoriamente um número definido de conjuntos de hiperparâmetros, equilibrando exploração e eficiência.

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: modelo a ser otimizado (por exemplo, MLPClassifier);
• param_distributions: dicionário onde as chaves são nomes dos hiperparâmetros e os valores são listas das quais serão amostrados;
• n_iter: especifica quantas combinações aleatórias devem ser testadas. Um valor mais alto aumenta as chances de encontrar uma combinação ideal, mas exige mais computação;
• scoring: define a métrica de avaliação (por exemplo, 'accuracy' para classificação).