グリッドサーチ（Grid Search）とランダムサーチ（Random Search）の名前の由来について
山崎講師
こんにちは。ゆうせいです。
今回は、グリッドサーチ（Grid Search）とランダムサーチ（Random Search）の名前の由来について、やさしく、でも本質的に解説していきます！
グリッドサーチ（Grid Search）とランダムサーチ（Random Search）は、機械学習においてモデルのハイパーパラメータを最適化するための探索手法です。
グリッドサーチは、あらかじめ設定した複数のパラメータ候補のすべての組み合わせを総当たりで試す方法です。たとえば、「学習率」と「正則化係数」に対してそれぞれ3通りの候補を用意した場合、計9通りすべての組み合わせでモデルを訓練して性能を比較します。網羅的に調べられるため、最適な組み合わせを見つけやすい一方で、パラメータの数や候補が増えると、計算コストが急激に大きくなるという欠点があります。
一方、ランダムサーチは、パラメータ空間の中からランダムに組み合わせを選び、一定回数だけ試す方法です。全体をくまなく調べるわけではありませんが、重要なパラメータの組み合わせに偶然当たる可能性が高く、特に高次元のパラメータ空間においては、グリッドサーチよりも効率的であることが研究でも示されています。
どちらを使うかは、探索したい範囲、計算資源、時間制約などに応じて選びます。
グリッドサーチ（Grid Search）の名前の由来
「Grid（グリッド）」とは、格子状のマス目を意味する英単語です。
ノートの方眼紙やチェス盤のような、整然と並んだ点の集まりを想像してみてください。
なぜ「グリッド」なのか？
グリッドサーチでは、すべてのハイパーパラメータの候補を組み合わせて試します。
たとえば：
![C = [0.1, 1, 10]](https://s0.wp.com/latex.php?latex=C+%3D+%5B0.1%2C+1%2C+10%5D&bg=ffffff&fg=000&s=0&c=20201002)
![\gamma = [0.001, 0.01]](https://s0.wp.com/latex.php?latex=%5Cgamma+%3D+%5B0.001%2C+0.01%5D&bg=ffffff&fg=000&s=0&c=20201002)
これらを組み合わせると、次のようなマス目状の候補点になります：
| gamma=0.001 | gamma=0.01 | |
|---|---|---|
| C=0.1 | 組み合わせ1 | 組み合わせ2 |
| C=1 | 組み合わせ3 | 組み合わせ4 |
| C=10 | 組み合わせ5 | 組み合わせ6 |
このように、すべてのパラメータを「格子（grid）」状に配置して、そのすべてを試すため、
Grid Search（グリッドサーチ）＝格子探索と呼ばれるのです！
ランダムサーチ（Random Search）の名前の由来
「Random（ランダム）」はご存知の通り、無作為・ランダムに選ぶことを意味します。
どうやって探索するの？
グリッドサーチと違って、ランダムサーチでは候補の中からランダムに選んで試すだけです。
つまり、格子状に全体を舐めるのではなく、
広い範囲から、何点かランダムに選んで調べる
という発想です。
なぜそんな方法を使うの？
一見「適当に選ぶなんて精度が下がりそう…」と思うかもしれませんが、
実はランダムサーチは、限られた計算リソースで効果的な探索をしたいときに非常に有効なんです。
グリッド vs ランダム：探索の違いを図でイメージ！
2次元のハイパーパラメータ空間（例：学習率 × 正則化）
グリッドサーチ：
● ● ●
● ● ●
● ● ● ← すべての交点を試す（格子状）
ランダムサーチ：
◯ ◯
◯
◯
◯ ← 無作為に点を選んで試す（偏りなし）
使い分けのポイント
| 観点 | グリッドサーチ | ランダムサーチ |
|---|---|---|
| 名前の意味 | 格子状の点をすべて試す | ランダムに点を抽出して試す |
| 特徴 | 全探索型（取りこぼしがない） | 広域探索型（時間が限られても効果的） |
| 試行回数 | 候補数が増えると爆発的に増える | 自由に試行数をコントロールできる |
| 最適化の効率 | 時間があればベスト | 限られた時間で良い値を見つけやすい |
| 高次元パラメータ空間への適応 | 苦手（組み合わせ爆発） | 得意（無駄な計算を減らせる） |
まとめ：名前が意味する探索戦略！
| 名前 | 意味の由来 | どんな戦略？ |
|---|---|---|
| グリッドサーチ | 格子（grid）をすべて探索 | 全通りを1つずつ試す（exhaustive search） |
| ランダムサーチ | 無作為（random）に選ぶ | 限られた数をランダムに試す（random sampling） |
今後の学習の指針
ここまで理解できたら、次は以下のような発展学習に挑戦してみましょう！
- ベイズ最適化（Bayesian Optimization）
→ より賢く効率的に探索できる手法 - 交差検証（cross-validation）との組み合わせ
→ 過学習を防ぎながらチューニングする方法 - 実際にPythonで
GridSearchCVやRandomizedSearchCVを使って実験してみる
ハイパーパラメータのチューニングは、「モデルの性能を最大限に引き出す」鍵です。
その第一歩として、「名前の意味」から入るのはとても良いアプローチです！
質問や実装の相談も、いつでもどうぞ！
生成AI研修のおすすめメニュー
投稿者プロフィール
