← 返回卡片

原书出处

强化学习

12 探索与利用 12.5 置信区间上界

第1版 · 核验版本的摘录快照 · 导入于 2026-11-20T14:51:48.896Z

式中,Nt(a)是行为a的计数,Q(a)是根据历史数据获得的回报的平均值。可见,UCB1策略由两项组成,第一项是利用,第二项是探索。这样的设置使其能够有效地平衡利用和探索。算法流程如下。

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/1-021.xhtml

EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae