知识卡片
终局奖励可作整局样本目标
在无折扣且仅末步给奖励的任务里,任何一个本局决策时刻的回报都等于终局奖励。可以直接按访问计数更新每个状态的均值。若改为每步扣分或折扣率小于一,要分时刻重新计算目标。
关联:[[蒙特卡罗以整回合回报估值]]。此实验中回合所有采样状态的折扣回报等于最终分数。
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
- 4.4.5 策略评估 · 查看原书依据
衰减因子为1,中间状态的即时奖励为0
参考来源
- 位置:《强化学习入门:从原理到实践》第4章《4.4.5 策略评估》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter35.xhtml`,body 子元素 4
- 结论依据:原文的实现把同一终局奖励送入回合各状态的增量平均。
- 原始内容:衰减因子为1,中间状态的即时奖励为0