知识卡片
自举与采样是不同维度
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?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 4.2 时序差分强化学习 · 查看原书依据
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
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