Slumpmässig sökning

# Call GridSearchCV
grid_search = GridSearchCV(clf, param_grid)

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

I kodavsnittet ovan från föregående övning kanske du lade märke till att den första raden kördes snabbt, medan anropet till .fit() tog flera sekunder.

Det beror på att det är .fit() som faktiskt utför gittersökningen – och i vårt fall handlade det om ett gitter med många olika kombinationer. Ju större hyperparametergittret är, desto långsammare blir sökningen. För att lösa det problemet kan man, i stället för att testa varje enskild kombination, slumpmässigt hoppa runt i gittret och pröva olika kombinationer. Risken finns att man missar den bästa kombinationen, men man sparar mycket tid – eller hinner justera fler hyperparametrar på samma tid.

I scikit-learn kan du göra detta med RandomizedSearchCV. Den har samma API som GridSearchCV, men du anger en parameterfördelning som den kan sampla från i stället för specifika hyperparametervärden. Nu provar vi! Parameterfördelningen har redan ställts in åt dig, tillsammans med en slumpskogsklassificerare kallad clf.