知识卡片
同一逼近器可换训练目标
一个近似器计算当前预测,算法再给出这次更新希望逼近的值。对 MC 是实际回报,对一步 TD 是即时奖励与折扣后继估计。损失可以相同,目标来源和误差性质不同。
关联:[[动作价值近似的输入输出]]。选择目标的算法和估计器的表示可独立调整。
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
- 6.2 目标函数与梯度下降 · 查看原书依据
对于MC学习,使用收获值代替目标价值
参考来源
- 位置:《强化学习入门:从原理到实践》第6章《6.2 目标函数与梯度下降》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter56.xhtml`,body 子元素 14
- 结论依据:原文对照 MC、TD 与 λ 回报作为标签的方式。
- 原始内容:对于MC学习,使用收获值代替目标价值