知识卡片
重要性比率校正采样差异
用目标动作概率除以数据策略的动作概率。目标从不选某动作时,该样本在对应校正里权重为零。行为策略必须覆盖目标可能选的动作,概率很小的分母也会放大波动。下面的表格 Q 学习用贪婪后继目标,无需在一步更新中乘这个比率。
关联:[[行为策略与目标策略]]。用两种策略对同一动作的概率比校正样本。
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
- 5.5 异策略Q学习算法 · 查看原书依据
比较异策略和行为策略在状态St下产生同样的行为At的概率的比值
参考来源
- 位置:《强化学习入门:从原理到实践》第5章《5.5 异策略Q学习算法》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter44.xhtml`,body 子元素 5
- 结论依据:原文说明目标策略对已采样动作的相对概率如何调整更新。
- 原始内容:比较异策略和行为策略在状态St下产生同样的行为At的概率的比值