知识卡片
异策略估计需要覆盖目标动作
行为策略生成数据,目标策略是要评价或改进的决策规则。两者不同时,要让目标会选择的动作在行为策略下也有机会出现。蒙特卡罗估计常以轨迹概率比做重要性采样,长轨迹的权重方差可能很高。
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
- 深度强化学习 · 查看原书依据
需要保证μ(a|s)>0也成立。
参考来源
- 位置:《机器学习观止:核心原理与实践》第15章《深度强化学习》(来源项目 book-source,`extracted/机器学习观止:核心原理与实践/_epub-src/OEBPS/Text/chapter15.xhtml`)。
- 结论依据:第 15.4.1 节对照两种算法图,异策略伪代码显式乘概率比。
- 原始内容:需要保证μ(a|s)>0也成立。