← 返回卡片

原书出处

强化学习

04 蒙特卡罗 4.2 蒙特卡罗评估

第1版 · 核验版本的摘录快照 · 导入于 2026-11-20T14:51:48.894Z

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。

此预览只包含定位所需的摘录和上下文。

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