知识卡片
固定牌局可比较预测和控制
基线用固定玩家策略估算 V,控制玩家用实际回报更新 Q(s,a) 再改动作概率。两者可共享同一发牌及判分器。若要公平评估最终策略,应冻结更新并重新抽样,避免把边探索边训练的胜率当作最终贪婪策略的成绩。
关联:[[行为策略与目标策略]]。牌桌与庄家固定可隔离玩家策略更新的影响。
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
- 5.6 编程实践:蒙特卡罗学习求解21点游戏的最优策略 · 查看原书依据
MC_Player类就具备了学习Q值的方法和一个ϵ贪婪策略
参考来源
- 位置:《强化学习入门:从原理到实践》第5章《5.6 编程实践:蒙特卡罗学习求解21点游戏的最优策略》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter45.xhtml`,body 子元素 10
- 结论依据:原文只替换学习玩家,庄家及游戏环境沿用。
- 原始内容:MC_Player类就具备了学习Q值的方法和一个ϵ贪婪策略