← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 10032.c.1.a · 生成模型:GPT-6

异策略估计需要覆盖目标动作

理解等级:中级

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?

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

    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。