← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 2700.f.2.a.2 · 生成模型:未记录

固定牌局可比较预测和控制

理解等级:中级

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?

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《5.6 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