Izgara Araması (Grid Search)

Izgara Araması nedir?

Grid search, bir modelin hiperparametrelerini ayarlamak için kullanılan sistematik bir arama yöntemidir. Her hiperparametre için denenecek değerleri bir liste olarak verirsin, sistem de bu listelerin tüm olası kombinasyonlarını tek tek dener. Adı buradan gelir — değerler bir ızgara (grid) oluşturur, sen de her hücreyi gezersin.

Nasıl çalışır?

Diyelim iki hiperparametren var: learning rate için [0.1, 0.01, 0.001] ve batch size için [16, 32, 64]. Grid search bu 3×3 = 9 kombinasyonun hepsini dener:

• Her kombinasyon için model eğitilir.
• Genellikle çapraz doğrulama (cross-validation) ile değerlendirilir, çünkü tek bir bölünme yanıltabilir.
• En yüksek skoru veren kombinasyon seçilir.

Yöntem tam anlamıyla kaba kuvvettir: hiçbir kombinasyonu atlamaz, dolayısıyla verdiğin ızgara içindeki en iyiyi kesinlikle bulur.

Neden önemli?

Hiperparametreler modelin performansını uçurabilir de yerle bir de edebilir, ama doğru değerleri tahminle bulmak zordur. Grid search, bu seçimi "sezgi" olmaktan çıkarıp tekrarlanabilir, sistematik bir sürece dönüştürür.

Bedeli hesap yüküdür: parametre sayısı ve her birinin değer sayısı arttıkça kombinasyonlar katlanarak patlar (kombinatoryal patlama). 4 parametre × her biri 5 değer = 625 eğitim demektir. Bu yüzden geniş alanlarda yerini çoğu zaman rastgele arama (random search) veya Bayesçi optimizasyona bırakır — ama küçük, net aralıklar için grid search hâlâ en dürüst ve anlaşılır seçenektir.

Kullanım alanları

Klasik makine öğrenmesi modellerinde (SVM, random forest, gradient boosting) hiperparametre ayarı, öğrenme oranı ve regularization gücü seçimi, model kıyaslama deneyleri. scikit-learn'in GridSearchCV aracı bu işin fiili standardıdır.