Presná definícia
Čo znamená zlepšovanie politiky?
Zlepšovanie politiky vytvára politiku s hodnotou aspoň takou dobrou ako pôvodná, typicky voľbou akcií greedy alebo soft-greedy podľa odhadnutej Q-funkcie. Tvrdenie platí pri správnom hodnotení a predpokladoch MDP.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Po odhade Q tím zavedie len obmedzenú zmenu voči bezpečnej baseline, zmeria dolnú hranicu prínosu a odmietne update pri slabej podpore dát.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená zlepšovanie politiky?
Zlepšovanie politiky vytvára politiku s hodnotou aspoň takou dobrou ako pôvodná, typicky voľbou akcií greedy alebo soft-greedy podľa odhadnutej Q-funkcie.
Kedy sa zlepšovanie politiky používa?
Po odhade Q tím zavedie len obmedzenú zmenu voči bezpečnej baseline, zmeria dolnú hranicu prínosu a odmietne update pri slabej podpore dát.
Od čoho treba zlepšovanie politiky odlíšiť?
Policy evaluation odhaduje hodnotu existujúcej politiky; policy improvement podľa nej navrhuje lepšie akcie.
Ako sa zlepšovanie politiky kontroluje?
Overuje sa presnosť Q, podpora akcií, monotónnosť na známom MDP, bezpečnostné obmedzenia a nezávislé epizódy.
Aké obmedzenie má zlepšovanie politiky?
Greedy zlepšenie nad chybnou Q-funkciou môže vybrať práve akcie s najväčším kladným omylom.