Slaba tačnost modela? Podesi grid search za 10 minuta [2026]

Cijena lošeg predviđanja: Zašto tvoj model guta resurse bez rezultata

Prosječan data science projekat u 2026. godini troši oko 400 eura mjesečno samo na compute snagu koja odlazi u nepovrat jer ljudi koriste defaultne parametre. Ti misliš da tvoj model uči, ali on zapravo ‘proklizava’ kao stara guma na ledu. Ako tvoja tačnost stoji na 72% dok konkurencija izvlači 89%, problem nije u tvojim podacima, nego u tvojoj lijenosti da zategneš vijke u hiperparametrima. Imate 10 minuta prije nego što klijent zatraži izvještaj. Ne trošite ih na paniku, nego na grid search.

Slušaj, defaultne postavke u bibliotekama poput Scikit-learna su tu da kod ‘proradi’, a ne da on bude koristan. To je kao da kupiš gotovu kuhinju iz kataloga i čudiš se što ti frižider ne stane u nišu. Moras mjeriti, rezati i prilagođavati. Grid search je tvoj mjerni alat. On ne nagađa; on brutalno testira svaku kombinaciju koju mu zadaš dok ne nađe onu koja ‘sjeda’ bez lufta.

Zašto ti treba Scikit-learn GridSearchCV (A ne nagađanje)

GridSearchCV radi jednu stvar: iscrpljuje sve mogućnosti. Zamisli to kao mehaničara koji isprobava svaku kombinaciju dizni dok motor ne prestane da kašlje. Čuješ li onaj zvuk ventilatora na tvom laptopu? To je zvuk pravog posla. Ako ne čuješ ništa, vjerovatno nisi ni pokrenuo optimizaciju kako treba. Prije nego što krenemo, provjeri 3 česte greške u mašinskom učenju koje ljudi prave prije same optimizacije.

Šta zapravo biramo: Hiperparametri protiv parametara

Parametri su ono što model nauči sam (težine). Hiperparametri su ono što TI postavljaš prije nego što trening uopšte počne. To su tvoji ‘alati’. Ako promašiš ‘learning rate’ ili ‘depth’ stabla, tvoj model će biti ili previše glup da išta nauči, ili previše pametan pa će naučiti šum (overfitting). Kratko i jasno: Overfitting je smrt tvoje karijere.

Plan napada: Skripta za 10 minuta

Zaboravi na komplikovane pipelineove za početak. Treba ti jasan niz komandi koji možeš copy-pasteati u svoj Jupyter notebook odmah. Prvo, uvezi ‘GridSearchCV’. To je srce operacije. Drugo, definiši rječnik (param_grid). Tu upisuješ vrijednosti koje želiš testirati. Osjeti teksturu koda pod prstima – svaki zarez ovdje razdvaja uspjeh od prosječnosti.

WARNING: Grid search može biti procesorski pakao. Ako zadaš 10 parametara sa po 10 vrijednosti, to je 100 modela koje tvoj CPU mora provariti. 120v struje u serveru nije šala, a tvoj procesor će se grijati na 90 stepeni. Koristi ‘n_jobs=-1’ samo ako imaš dobro hlađenje.

Evo kako to izgleda u praksi:

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier

param_grid = {‘n_estimators’: [10, 50, 100], ‘max_depth’: [None, 10, 20]}
grid = GridSearchCV(RandomForestClassifier(), param_grid, cv=5)
grid.fit(X_train, y_train)

To je to. Pokreni. Čekaj. Pobjedi. Ako ti i dalje nije jasno kako model mjeri uspjeh, pogledaj 3 metrike koje moraš znati prije nego što proglasiš pobjedu.

Anatomija promašaja: Šta kad grid search traje 5 sati?

Napravio si grešku. Ubacio si previše parametara odjednom. To je kao da pokušavaš brusiti cijelu kuću odjednom umjesto jedne sobe. Umjesto da grid search završi za 10 minuta, on melje satima, a tvoj RAM polako puni ‘swap’ particiju dok sistem ne postane trom kao blato. Ako vidiš da proces stoji, ne čekaj. Ubij ga. Smanji opseg. Ne treba ti 1000 stabala ako 100 daje sličan rezultat. Fokusiraj se na ono što je bitno.

Šta ako ti model i dalje ne valja? Možda problem nije u pretrazi, nego u osnovama. Vrati se na osnove mašinskog učenja i provjeri jesi li uopšte odabrao pravi algoritam za ovaj posao. Ponekad grid search na lošem algoritmu samo brže pronalazi najgori rezultat.

Zašto ovo radi: Nauka iza rešetke

PVA ljepilo drži drvo jer ulazi u vlakna. Grid search drži tvoj model stabilnim jer koristi unakrsnu validaciju (Cross-Validation). On ne testira model samo jednom na cijelom setu. On sjecka podatke na 5 dijelova (k-fold), trenira na 4, testira na 1, i tako u krug. To osigurava da tvoj rezultat nije ‘puka sreća’. Ako model postigne 85% tačnosti na svih 5 krugova, to je beton. To se ne miče.

Da li mi treba RandomizedSearchCV?

Ako imaš previše parametara, Grid Search je prespor. RandomizedSearch je kao da pucaš sačmaricom – ne pogodiš sve, ali pogodiš dovoljno blizu mete u 1/10 vremena. Za brze iteracije tokom vikenda, ovo je spas. Ali za finalni model? Koristi Grid. Budi precizan. Budi majstor svog zanata.

Zaključak za 2026. godinu

Kao što lokalni kodovi zahtijevaju specifične osigurače u stanu, tako i tvoj model zahtijeva specifične hiperparametre. Nemoj biti ‘scripter’ koji samo kopira tuđi kod. Budi inženjer koji razumije zašto se ovi parametri vrte. Grid search nije magija; to je čista, surova snaga automatizacije primijenjena na tvoju neodlučnost. Podesi ga, pusti ga da ‘odradi’ svoje i idi popij kafu dok tvoj model postaje pametniji od tebe.

Završio si? Odlično. Sad provjeri kako tvoj model stoji u realnom svijetu preko praćenja modela u produkciji. Nemoj dozvoliti da prvi koji nađe grešku bude tvoj korisnik.