原书出处
强化学习
04 蒙特卡罗 4.2 蒙特卡罗评估
可见,值函数、行为值函数的计算实际上是计算累计回报的期望。在没有模型时,我们可以采用蒙特卡罗方法进行采样,产生经验性信息。这些经验性信息经验性地推导出每个状态s的平均回报,以此来替代回报的期望,而后者就是状态值函数。状态值函数的估计通常需要掌握完整的轨迹才能准确计算得到。
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/强化学习/_epub-src/OEBPS/Text/1-013.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae