原书出处
强化学习
12 探索与利用 12.7 信息价值
假设有个2臂赌博机,分别是a1和a2。智能体对a1执行了充分的试验,对其价值有一个较为准确的估计,估计其立即回报的期望为1。因为对a2执行的次数比较少,因此对a2有一个不是非常准确的估计:0.6。是否继续探索a2的价值取决于很多因素,其中最重要的一条就是智能体是否有足够多的次数去获取累积回报。如果行为次数非常有限,那么智能体可能会倾向于选择a1;反之,就会继续探索a2的价值。
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