Presná definícia
Čo znamená stavová hodnotová funkcia?
Stavová hodnotová funkcia Vπ(s) je očakávaná návratnosť pri začiatku v stave s a následnom výbere akcií podľa politiky π. Priemeruje teda dôsledky všetkých akcií, ktoré politika v danom stave zvolí.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Tím zobrazí Vπ pre stavy zásob a Monte Carlo kontrolou porovná odhad s priemerným výsledkom epizód začínajúcich v podobnom stave.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená stavová hodnotová funkcia?
Stavová hodnotová funkcia Vπ(s) je očakávaná návratnosť pri začiatku v stave s a následnom výbere akcií podľa politiky π.
Kedy sa stavová hodnotová funkcia používa?
Tím zobrazí Vπ pre stavy zásob a Monte Carlo kontrolou porovná odhad s priemerným výsledkom epizód začínajúcich v podobnom stave.
Od čoho treba stavová hodnotová funkcia odlíšiť?
Action-value Qπ(s,a) podmieňuje prvú akciu; state-value Vπ(s) ju priemeruje podľa politiky.
Ako sa stavová hodnotová funkcia kontroluje?
Kontroluje sa politika, distribúcia štartov, diskont, Bellmanovo rezíduum, odhad návratnosti a extrapolácia.
Aké obmedzenie má stavová hodnotová funkcia?
Vysoká priemerná hodnota stavu môže skryť malú pravdepodobnosť veľmi nepriaznivého výsledku.