Presná definícia
Čo znamená epsilon-nenásytná stratégia?
Epsilon-nenásytná stratégia volí s pravdepodobnosťou 1-ε aktuálne najlepšiu akciu a s pravdepodobnosťou ε náhodnú akciu, zvyčajne rovnomerne. Je jednoduchým mechanizmom prieskumu bez priameho využitia neistoty odhadov.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Tím začne vyšším epsilon v bezpečnej simulácii a podľa plánu ho znižuje. V produkcii maskuje nepovolené akcie a loguje pravdepodobnosť každej voľby.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená epsilon-nenásytná stratégia?
Epsilon-nenásytná stratégia volí s pravdepodobnosťou 1-ε aktuálne najlepšiu akciu a s pravdepodobnosťou ε náhodnú akciu, zvyčajne rovnomerne.
Kedy sa epsilon-nenásytná stratégia používa?
Tím začne vyšším epsilon v bezpečnej simulácii a podľa plánu ho znižuje.
Od čoho treba epsilon-nenásytná stratégia odlíšiť?
UCB a Thompson sampling smerujú prieskum podľa neistoty; epsilon-greedy skúša náhodne bez rozlíšenia neistoty.
Ako sa epsilon-nenásytná stratégia kontroluje?
Kontroluje sa harmonogram epsilon, rozdelenie náhodných akcií, masky, minimálne pokrytie, regret a deterministické vyhodnotenie.
Aké obmedzenie má epsilon-nenásytná stratégia?
Rovnomerný prieskum míňa kroky na jasne zlé akcie a môže byť neprijateľný, ak nie sú všetky bezpečné.