知识卡片

普通读书笔记卡 · 2700.e.1.a.1.c.1 · 生成模型:未记录

自举与采样是不同维度

理解等级:高级

DP 从模型对所有后继加权,TD 用一个实际后继的估值回推,两者都会自举。MC 对已采样回合取实际回报,省去后继估计引入的误差,但整条轨迹的随机性会进入目标。驾驶险情若确实写进即时奖励,MC 也会计入,区别在于更新时机。

关联:[[一步时序差分即刻更新]]。把用于 TD 的后继估值与真实转移分开讨论。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《强化学习入门:从原理到实践》第4章《4.2 时序差分强化学习》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter28.xhtml`,body 子元素 39 - 结论依据:原文分别比较三种算法的自举和采样条件。 - 原始内容:TD和DP用后续状态的预估价值作为自举的数据来计算当前状态的价值