隨機搜尋

# Call GridSearchCV
grid_search = GridSearchCV(clf, param_grid)

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

在上面這段前一個練習的程式碼中，你或許注意到第一行幾乎不花時間執行，但呼叫 .fit() 則需要數秒。

這是因為 .fit() 其實才是在執行網格搜尋，而我們的網格包含許多不同的組合。當超參數網格變大時，網格搜尋就會變慢。為了改善這個問題，我們可以不要嘗試每一個可能的組合，而是「隨機」在網格中跳著抽樣不同的組合。雖然有小機率會錯過「最佳」組合，但能節省大量時間，或在相同時間內調更多超參數。

在 scikit-learn 中，你可以使用 RandomizedSearchCV 來做到這點。它的 API 和 GridSearchCV 相同，不同之處在於你需要指定可供抽樣的參數「分佈」，而不是一組固定的超參數值。現在就來試試看吧！參數分佈已經幫你設定好，並且提供了一個名為 clf 的隨機森林分類器。