原书出处
强化学习
04 蒙特卡罗 4.5.1 重要性采样离线策略蒙特卡罗
在离线蒙特卡罗强化学习中,使用了重要性采样的方法,通过随机性策略(如ε-贪心策略)产生的数据,对原始贪心策略进行评估和改进。其中,产生采样数据的策略叫行为策略,用π'表示;评估和改进的策略叫原始策略,用π表示。
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