Kako se koristi Grid Search za optimizaciju parametara?

Grid Search: Kako da pronađete taj savršen “recept” za vaš AI model?

Svi smo mi majstori u nečemu, zar ne? Bilo da je to pravljenje najbolje kafe, najukusnije sarme, ili pronalaženje najbržeg puta kroz jutarnju gužvu. Uvijek nešto “štelujemo” da bismo dobili bolji rezultat. Isto je i sa mašinskim učenjem. Napravite model, pustite ga da radi, ali… nešto “škripi”. Ne dobijate rezultate koje želite. Osjećate se kao da ste u kuhinji, imate sve sastojke (podatke), znate da hoćete jelo (model), ali vam fali onaj tajni začin, pravi omjer, prava temperatura. E, tu na scenu stupa Grid Search! Nije to nikakva vještica niti čarobnjak, već vaš pametan pomoćnik u kuhinji AI-ja.

Šta je, u stvari, Grid Search? (Da razjasnimo!)

Zamislite da pravite kolač. Imate brašno, šećer, jaja. Ali koliko čega? Ako stavite previše šećera, presladak je. Premalo, bezukusan. Grid Search je kao da metodično isprobavate sve kombinacije: malo šećera i malo brašna, pa malo šećera i srednje brašna, pa mnogo šećera i malo brašna… i tako redom, dok ne nađete onu kombinaciju koja daje najbolji kolač po vašem ukusu (ili, u našem slučaju, najbolji rezultat modela).

U svijetu AI-ja, ti “začini” su hiperparametri – postavke koje ne uči model direktno iz podataka, već ih mi zadajemo prije treninga. Grid Search jednostavno stvara “mrežu” (grid) svih mogućih kombinacija hiperparametara koje ste mu dali, trenira model za svaku kombinaciju, i na kraju vam kaže koja kombinacija je pobijedila.

Zašto nam je Grid Search potreban? (Riješite frustraciju!)

• Ručno isprobavanje parametara je zamorno, sporo i često neefikasno. Ko ima vremena da satima mijenja brojeve i čeka?
• Grid Search automatizuje taj proces. Prepustite mu “prljavi” posao traženja, a vi se fokusirate na važnije stvari.
• Praktičan primjer: Recimo da pokušavate da optimizujete AI model koji predviđa cijene nekretnina u Sarajevu. Znaš da Logistic Regression model može biti dobar, ali ne znaš koje su najbolje vrijednosti za C i penalty parametre. Umjesto da pogađaš, pusti Grid Search da radi!

Kako to izgleda u praksi? (Evo konkretnog primjera!)

Ne brini, nije nuklearna fizika. Uz par linija koda u Pythonu, već si na konju. Prvo, treba ti model (npr. LogisticRegression iz scikit-learn biblioteke). Drugo, definiraš “mrežu” parametara koje želiš da isprobaš. Treće, pustiš GridSearchCV da radi svoje.

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# Učitajmo neki jednostavan skup podataka (kao Iris cvijeće)
data = load_iris()
X, y = data.data, data.target

# Podijelimo podatke na trening i test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Korak 1: Odaberi model
model = LogisticRegression(max_iter=200) # Povećaj max_iter ako model ne konvergira

# Korak 2: Definiraj mrežu parametara koju želiš da Grid Search isproba
# Ovdje "C" reguliše snagu regularizacije, "penalty" tip regularizacije
param_grid = {
    'C': [0.1, 1, 10, 100],
    'penalty': ['l1', 'l2']
}

# Korak 3: Postavi Grid Search i pusti ga da radi
# cv=5 znači da će raditi 5-fold unakrsnu validaciju za svaku kombinaciju
grid_search = GridSearchCV(model, param_grid, cv=5, scoring='accuracy', verbose=1, n_jobs=-1)
grid_search.fit(X_train, y_train)

# Voila! Grid Search je završio. Sada da vidimo rezultate.
print(f"Najbolji parametri: {grid_search.best_params_}")
print(f"Najbolja preciznost (accuracy) na trening setu: {grid_search.best_score_:.4f}")

# I, naravno, kako se model ponaša na podacima koje nikad prije nije vidio?
test_accuracy = grid_search.best_estimator_.score(X_test, y_test)
print(f"Preciznost na test setu: {test_accuracy:.4f}")

U ovom primjeru, Grid Search je isprobao 4 (za C) * 2 (za penalty) = 8 različitih kombinacija. Za svaku kombinaciju je trenirao model 5 puta (zbog cv=5). Nije malo posla! I na kraju ti je rekao koje su vrijednosti C i penalty dale najbolje rezultate.

Gdje je tu ljudski faktor? (Tvoja uloga je ključna!)

Iako Grid Search zvuči kao magija, to je samo alat. On neće sam “smisliti” koje parametre treba testirati. Ti si taj koji, na osnovu svog iskustva i poznavanja problema, definišeš param_grid. Ti si taj koji interpretira rezultate. Ti si “šef kuhinje” koji bira sastojke i definiše granice ukusa, dok Grid Search neumorno isprobava sve recepte unutar tih granica. Nije ti cilj da on nađe apsolutno najbolje parametre u beskonačnom prostoru, već dovoljno dobre parametre u razumnom vremenu i unutar tvog budžeta (vremenskog i resursnog). Tvoje znanje i intuicija su i dalje nezamjenjivi!

Dakle, sljedeći put kad ti model ne bude davao željene rezultate, nemoj odustajati. Nemoj se osjećati kao da tražiš iglu u plastu sijena. Prisjeti se Grid Searcha – tvog pouzdanog pomoćnika koji će metodično prečešljati sve opcije dok ne nađe onaj savršen “začin”. AI ti daje supermoći, ali samo ako znaš kako da koristiš alate. Ako te zanima kako da još bolje “šteluješ” svoje AI modele i pretvoriš ih u prava remek-djela, na Aiskola.org te čeka cijela zajednica ljudi koji svakodnevno uče i razmjenjuju trikove. Pridruži nam se!