Epsilon Greedy policy

阅读量:

#播种

通常用来平衡探索/利用关系的策略，在 强化学习、推荐系统等领域中广泛应用

缘由

[!note] 记录为什么有这个概念/想法/事实/观点，属于 why 的部分

说明

将 $\epsilon$ 初始化为 1，在起始阶段主要进行探索；随着训练次数的增加，不断减小 $\epsilon$ 的值，增加利用已有经验的概率

Epsilon-Greedy Policy_figure_1.png

Epsilon-Greedy Policy_figure_2.png

实例

衰减方式

  1. \[\epsilon = \epsilon_{min} + (\epsilon_{max} - \epsilon_{min}) * e^{-decay\_rate * episode}\]

类比

[!note] 记录与该概念类似的概念，属于 how 的部分

对比

  1. [[ Greedy Policy ]]

效果

使得智能体在不同阶段选择探索/利用已有知识的比例，同时确保在学习后期仍然保持一定探索新的可能性的几率

备注

[!note] 记录相关链接等其他补充内容

反向链接

Rl value function 价值函数
强化学习中 [[Value-Based Method 基于价值的方法 Value-Based Method]] 所使用的价值函数（Value Function）
Q Learning
#播种
Reinforcement learning 强化学习
[[Reinforcement Learning 强化学习.canvas]]
强化学习 q Learning 简介
Q-Learning 是强化学习中的一种 [[RL Off-policy and On-policy 异策和同策 异策]]（off-policy）、无模型（model-free）算法，由 [[强化学习 - Q-Learning 简介#^56bb17 Watkins]] 在 1989 年提出。是用来求解 [[Markov Decision Process 马尔可夫决策过程...
到头儿啦~

局部关系图