Căutare aleatorie

# Call GridSearchCV
grid_search = GridSearchCV(clf, param_grid)

# Fit the model
grid_search.fit(X, y)

În fragmentul de cod de mai sus, din exercițiul anterior, ai putut observa că prima linie s-a executat rapid, în timp ce apelul .fit() a durat câteva secunde.

Motivul este că .fit() este cel care efectuează efectiv căutarea în grilă. În cazul nostru, grila conținea foarte multe combinații posibile. Pe măsură ce grila de hiperparametri crește, căutarea în grilă devine tot mai lentă. Pentru a rezolva această problemă, în loc să testăm fiecare combinație în parte, putem sări aleatoriu prin grilă și să încercăm combinații diferite. Există o mică șansă să ratăm combinația optimă, dar economisim mult timp – sau putem ajusta mai mulți hiperparametri în același interval de timp.

În scikit-learn, poți face acest lucru folosind RandomizedSearchCV. Are același API ca GridSearchCV, cu diferența că trebuie să specifici o distribuție de parametri din care să eșantioneze, în loc de valori exacte ale hiperparametrilor. Hai să o testăm! Distribuția de parametri a fost deja configurată pentru tine, împreună cu un clasificator de tip random forest numit clf.