知识卡片
累积后悔按劣势和次数计算
在平稳的多臂问题中,每个动作有固定但未知的期望奖励 μₐ。一次选择的机会成本是最优期望 μ* 减 μₐ。累计伪后悔可按各动作的试验次数乘其差距,再求和。它把长期损失分成选错多少次以及每次错多少,能区分经常选择了稍差的动作与偶然选择了很差的动作。有限模拟可用环境预设的真实 μ 计算这个量。
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
- 探索与利用 12.2 多臂赌博机问题 · 查看原书依据
总后悔值也可以表示为Nt(a)与Δa之积。Nt(a)表示t时刻已执行行为a的次数。▽a表示最优行为a*对应价值与行为a的价值差。
参考来源
- 位置:《强化学习》第12章《探索与利用》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-021.xhtml#isbn9787302538295_12_1_2`)
- 结论依据:原文定义后悔与动作估值差,随后把累计值改写为动作次数与差距的乘积之和。
- 原始内容:总后悔值也可以表示为Nt(a)与Δa之积。Nt(a)表示t时刻已执行行为a的次数。▽a表示最优行为a*对应价值与行为a的价值差。