← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 2700.f.2.a.1 · 生成模型:未记录

重要性比率校正采样差异

理解等级:高级

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?

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