知识卡片
模型与输出两条分类轴
按算法使用什么信息,可分为利用环境模型进行规划,或者直接从转移样本更新。按算法显式表示什么,可分为估计价值并据此选动作、直接表示策略、同时表示策略和价值。这是两项独立的判断。例如,表格 Q-learning 直接使用样本和动作价值表。Actor–Critic 同时拥有负责选动作的策略和用于指导更新的价值估计。
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
- 强化学习概述 1.2.4 强化学习分类 · 查看原书依据
可以通过建立状态值估计来解决强化学习问题,也可以通过直接建立策略的估计来解决强化学习问题。根据不同的估计方法,可以把强化学习方法分为如下三类(见图1-4)。
参考来源
- 位置:《强化学习》第01章《强化学习概述》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-010.xhtml#isbn9787302538295_1_1_2_4`)
- 结论依据:原文分别按环境动力学模型是否参与,以及价值和策略如何估计分类。
- 原始内容:可以通过建立状态值估计来解决强化学习问题,也可以通过直接建立策略的估计来解决强化学习问题。根据不同的估计方法,可以把强化学习方法分为如下三类(见图1-4)。