知识卡片
时差用后继估值立即更新
时差学习把一次转移的奖励和后继价值组合成暂时目标。例如 TD(0) 用 r+γV(s′),再向这个目标更新 V(s)。无需等到回合终点。因为目标依赖已有估计,初期仍可能有偏。
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
当前状态值函数的计算实际也运用到了后续状态的值函数
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 15.4.2 节用部分探索路径对照完整回合。
- 原始内容:当前状态值函数的计算实际也运用到了后续状态的值函数