Idén bakom `RandomizedSearchCV` är att den fungerar på samma sätt som `GridSearchCV`, men istället för att testa alla kombinationer provar den en **slumpmässigt utvald delmängd**.

Till exempel kommer detta `param_grid` att ha 100 kombinationer:
```python
param_grid = {'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
                         'weights': ['distance', 'uniform'],
                         'p': [1, 2, 3, 4, 5]}
```
`GridSearchCV` skulle testa alla dessa, vilket är **tidskrävande**. Med `RandomizedSearchCV` kan du istället prova endast en **slumpmässigt vald delmängd** av till exempel 20 kombinationer. Det leder oftast till ett något sämre resultat, men går mycket snabbare.

Du kan styra antalet kombinationer som ska testas med argumentet `n_iter` (standardvärde är **10**). I övrigt används den på samma sätt som `GridSearchCV`. 

Maskininlärning används numera överallt. Vill du lära dig det själv? Denna kurs är en introduktion till maskininlärningens värld där du får lära dig grundläggande begrepp, arbeta med Scikit-learn – det mest populära biblioteket för ML – och bygga ditt första maskininlärningsprojekt.
Kursen är avsedd för studenter med grundläggande kunskaper i Python, Pandas och Numpy.

Lär dig maskininlärningskoncept och arbetsflödet för ML-projekt.

Förbehandling är troligen det viktigaste steget i ett ML-projekt. Detta kapitel behandlar de förbehandlingssteg som krävs för nästan alla dataset.

En pipeline är ett smidigt sätt att kombinera alla förbehandlingssteg samt en modell. Pipelines gör det mycket enklare att träna och använda en modell.

Modellering är det mest underhållande steget i ett ML-projekt. Lär dig att bygga, finjustera och utvärdera modellen!

Utmaning: Justering av Hyperparametrar med RandomizedSearchCV

Lösning

Awesome!

Utmaning: Justering av Hyperparametrar med RandomizedSearchCV

Lösning

Awesome!