在Scikit-learn中，可以使用RandomizedSearchCV來實現隨機搜索。RandomizedSearchCV會在指定的參數空間中隨機選擇一組參數組合，并對這些參數組合進行交叉驗證來找到最優的參數設置。

下面是一個簡單的示例代碼，演示了如何使用RandomizedSearchCV進行隨機搜索：

from sklearn.model_selection import RandomizedSearchCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris

# 加載數據
iris = load_iris()
X, y = iris.data, iris.target

# 定義參數空間
param_dist = {
    'n_estimators': [10, 50, 100, 200],
    'max_depth': [None, 10, 20, 30, 40, 50],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4]
}

# 初始化隨機搜索
rf = RandomForestClassifier()
random_search = RandomizedSearchCV(rf, param_dist, n_iter=10, cv=5)

# 進行隨機搜索
random_search.fit(X, y)

# 輸出最優參數設置和交叉驗證得分
print("Best parameters found: ", random_search.best_params_)
print("Best cross-validation score: ", random_search.best_score_)

在上面的代碼中，我們首先加載了一個伊利斯數據集，然后定義了一個隨機森林分類器的參數空間。接下來，我們初始化了一個RandomizedSearchCV對象，指定了要搜索的參數空間、迭代次數和交叉驗證的折數。最后，使用fit()方法運行隨機搜索，并輸出最優的參數設置和交叉驗證得分。

通過使用RandomizedSearchCV，我們可以更有效地搜索最優的參數設置，從而提高模型的性能。