随机搜索（Random Search）是一种超参数（hyperparameter）调优方法：在事先划定的取值范围内随机采样若干组超参数组合，逐组训练并评估，最后取表现最好的那一组，而不去穷举所有组合。
打个比方。想象你在调一台有二十个旋钮的老式音响，目标是调出最好的音质。但真相是，其中只有音量、低音这两个旋钮真正影响听感，剩下十八个拧到哪儿差别不大。网格搜索（Grid Search）的做法是：每个旋钮都均匀拧到五档，然后把所有组合试一遍。二十个旋钮就是 5²⁰ 种组合，算力在第一个旋钮上就耗尽了，而你在意的那两个旋钮，各自也只被试了五个位置。随机搜索则是闭着眼睛随机拧二十个旋钮，试一百次。听起来很傻，但因为在真正重要的那两个旋钮上，每次采样都是新的随机值，一百次试验大约能得到一百个不同的音量与低音位置——分辨率比网格搜索高得多；至于那十八个不重要的旋钮被重复采样，本来也不损失什么。
这就是关键：超参数的重要性分布极不均匀。真实模型动辄几十个超参数，其中真正显著影响结果的往往只有少数几个。网格搜索的代价随维度指数增长，且把预算平摊到所有维度上；随机搜索的试验次数只由你的算力预算决定，与维度无关，于是它天然地把“有效分辨率”集中到了重要维度上。
| 网格搜索 Grid Search | 随机搜索 Random Search | |
|---|---|---|
| 采样方式 | 每维等间距取点后做笛卡尔积 | 每维独立随机采样 |
| 试验数量 | 随维度指数膨胀 | 由预算决定，与维度无关 |
| 高维表现 | 算力大量花在不重要维度 | 预算自然摊到重要维度 |
| 并行性 | 可并行，但组合固定 | 每个试验相互独立，极易并行 |
| 适用场景 | 低维、每维都重要、范围小 | 高维、只有少数超参真正重要 |
和相邻概念的区别也要说清。相比贝叶斯优化（Bayesian Optimization），随机搜索不利用历史结果建模去挑“下一个最值得试的点”，因此样本效率通常更低；但它的优点是几乎没有额外开销、实现简单、天然可并行（parallel），常被当作必须打败的基线（baseline）。相比手工调参，它至少保证了覆盖面和可复现性。
对从业者的实际意义是：拿到一个新模型，先用随机搜索广泛探一遍，顺便观察哪个超参数让结果波动最大，把重要的那几个筛出来，再对它们做更细的搜索或上贝叶斯优化。两个细节别忽略：随机搜索要固定随机种子（random seed）才可复现；搜索空间（search space）要划对，比如学习率这类量级跨度大的参数，应在对数尺度上采样，而不是线性均匀采样。对普通职场人，这套思路同样成立：面对一堆不确定因素时，先低成本随机试一批、看清哪个变量真正起作用，再把资源压在它上面，通常比一上来就把每个因素都整齐地切几档去“全排列”更划算。