---
title: "隨機搜尋（Random Search）"
slug: random-search
language: zh-TW
source: https://aiterms.tw/terms/random-search
updated_at: 2026-04-29
tags: [機器學習, 模型訓練, 最佳化, AutoML, Python程式, iPAS中級]
ipas_term: false
---

# 隨機搜尋（Random Search）

> **你在調模型參數時，會不會發現想試的組合太多，根本不可能一格一格掃完？**
>
> 你可以把隨機搜尋想成在超參數空間裡先隨機抽一些點來試，再看哪個組合最好。
> 它的好處是簡單、便宜，尤其在參數很多的時候，常比硬掃整張表更有效率。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **隨機搜尋 vs 網格搜尋**
> 網格搜尋會把每個參數切成固定格子慢慢試。
> 隨機搜尋是先隨機抽樣幾組來評估。
> 最關鍵的區別：一個全格掃，一個抽點試。
>
> **隨機搜尋 vs 貝氏最佳化**
> 隨機搜尋不會根據前一次結果調整下一次抽樣。
> 貝氏最佳化會利用過去結果，挑更有希望的組合。
> 最關鍵的區別：一個單純抽樣，一個會學習方向。
>
> **隨機搜尋 vs 暴力搜尋**
> 暴力搜尋想把所有組合都試完。
> 隨機搜尋只取一部分代表性組合。
> 最關鍵的區別：一個想全試，一個先試最有機會的區域。

### 記住這句就好
> 參數太多時，隨機抽樣常比整格掃更划算。

### 實際案例
> **深度學習調參**
> 你要找學習率、批次大小和 dropout 的組合時，隨機搜尋能先快速試出大方向。
> 這比把每個值都硬排列組合更省時間。
>
> **樹模型最佳化**
> 想調隨機森林或 XGBoost 的參數時，隨機搜尋常是第一輪很實用的做法。
> 它能先幫你縮小合理範圍。

### 算法與應用
> 隨機搜尋先定義超參數範圍，再從每個範圍中隨機抽值，跑訓練並比驗證分數。
> 在高維空間裡，它常比網格搜尋更有效，因為不是每個參數都同樣重要。
> 若你後面還想更精準，可以再接貝氏最佳化或手動細調。

### 情境判斷
> **Q1（直覺題）：** 你有五個超參數要調，每個都有很多可能值，先用哪種方法比較實際？
>
> → 先用隨機搜尋，因為它能更快覆蓋到不同區域。
>
> **Q2（判斷題）：** 如果你只想把所有組合都完整列出來，隨機搜尋還是最佳選擇嗎？
>
> → 不一定，因為那種需求比較像網格搜尋或暴力搜尋，隨機搜尋比較適合先找好區域。

### 常見問題
> **Q：隨機搜尋一定比網格搜尋好嗎？**
> 不一定，但在參數很多的時候，隨機搜尋往往更有效率。
>
> **Q：它適合所有任務嗎？**
> 不一定，若每個參數都很敏感，或搜尋空間很小，網格搜尋也可能更直觀。
>
> **Q：隨機搜尋只是隨便亂試嗎？**
> 不是，它是有範圍、有評估標準的抽樣策略，不是毫無規劃地亂碰。

### 相關術語
> - **超參數調校**：先看這個，你會知道隨機搜尋在調什麼。
> - **網格搜尋**：最常拿來和隨機搜尋比較的基準方法。
> - **貝氏最佳化**：如果你想更聰明地調參，這是下一步。
> - **機器學習**：隨機搜尋常用在模型訓練與驗證流程中。
> - **演算法**：它是很典型的搜尋策略概念。

---

來源：https://aiterms.tw/terms/random-search
快查頁：https://aiterms.tw/terms/random-search
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-random-search