Istället för att manuellt välja specifika värden för modellens hyperparametrar erbjuder randomiserad sökning (RandomizedSearchCV) ett mer effektivt sätt att hitta en optimal konfiguration. Till skillnad från rutnätsökning (GridSearchCV), som systematiskt utvärderar alla möjliga kombinationer av hyperparametrar, väljer randomiserad sökning en slumpmässig delmängd av dessa kombinationer. Detta tillvägagångssätt minskar beräkningskostnaden avsevärt samtidigt som det ger starka resultat.

För neurala nätverk, där antalet möjliga hyperparameterkombinationer kan vara enormt, är det ofta opraktiskt att testa varje alternativ uttömmande. Randomiserad sökning kringgår detta problem genom att slumpmässigt välja ett definierat antal hyperparameterset, vilket balanserar utforskning och 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 ska optimeras (t.ex. MLPClassifier);
• param_distributions: en ordbok där nycklar är hyperparameternamn och värden är listor att slumpmässigt välja från;
• n_iter: anger hur många slumpmässiga kombinationer som ska testas. Ett högre värde ökar sannolikheten att hitta en optimal kombination men kräver mer beräkning;
• scoring: definierar utvärderingsmåttet (t.ex. 'accuracy' för klassificering).