Замість ручного підбору конкретних значень гіперпараметрів для нашої моделі, випадковий пошук (RandomizedSearchCV) пропонує більш ефективний спосіб знаходження оптимальної конфігурації. На відміну від перебору сіткою (GridSearchCV), який систематично оцінює всі можливі комбінації гіперпараметрів, випадковий пошук обирає випадкову підмножину цих комбінацій. Такий підхід суттєво знижує обчислювальні витрати, при цьому забезпечуючи високі результати.

Для нейронних мереж, де кількість можливих комбінацій гіперпараметрів може бути величезною, повний перебір усіх варіантів часто є непрактичним. Випадковий пошук вирішує цю проблему шляхом випадкового вибору визначеної кількості наборів гіперпараметрів, поєднуючи дослідження простору параметрів з ефективністю.

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: модель для оптимізації (наприклад, MLPClassifier);
• param_distributions: словник, де ключі — це назви гіперпараметрів, а значення — списки для вибірки;
• n_iter: визначає, скільки випадкових комбінацій буде протестовано. Більше значення підвищує ймовірність знаходження оптимальної комбінації, але потребує більше обчислень;
• scoring: визначає метрику оцінювання (наприклад, 'accuracy' для класифікації).