ຊັ່ງການສຳຫຼວດ ແລະ ການໃຊ້ປະໂຫຍດ
ເຄື່ອງ slot ຫຼາຍເຄື່ອງ ເລືອກເຄື່ອງໃດດີ?
ເມື່ອບໍ່ຮູ້ MDP, agent ເຫັນພຽງຕົວເລກລາງວັນ ເຊັ່ນ +1, −4. ມັນຈຶ່ງບໍ່ຮູ້ວ່າຍັງມີທາງເລືອກທີ່ດີກວ່າຊ້ອນຢູ່ຫຼືບໍ່.
ນີ້ແມ່ນບັນຫາ exploration vs exploitation: ລອງສິ່ງໃໝ່ (ອາດເສຍໂອກາດ) ຫຼື ເລືອກສິ່ງທີ່ຮູ້ວ່າດີ (ອາດພາດສິ່ງທີ່ດີກວ່າ). ລາງວັນທີ່ເສຍໄປເພາະບໍ່ໄດ້ເລືອກທາງທີ່ດີທີ່ສຸດ ເອີ້ນວ່າ regret.
ໃນໂຄດ: greedy ລ້ວນໆ ຕິດຢູ່ກັບເຄື່ອງທີ່ພົບກ່ອນ, UCB ໃຊ້ຄວາມບໍ່ແນ່ນອນຊ່ວຍເລືອກ ຈຶ່ງໃກ້ຄ່າສູງສຸດກວ່າ.
| ວິທີ | ແນວຄິດ |
|---|---|
| ε-greedy | ສ່ວນຫຼາຍເລືອກອັນທີ່ດີທີ່ສຸດ, ມີໂອກາດ ε ສຸ່ມເລືອກ |
| Decaying ε-greedy | ສຳຫຼວດຫຼາຍໃນຕອນຕົ້ນ ແລ້ວຫຼຸດ ε ລົງເລື້ອຍໆ |
| Optimistic initialization | ຕັ້ງ Q ເລີ່ມຕົ້ນສູງໆ ເພື່ອບັງຄັບໃຫ້ລອງທຸກທາງ |
| Softmax | ສຸ່ມຕາມສັດສ່ວນຂອງຄ່າ Q |
| UCB | ບວກ "ໂບນັດຄວາມບໍ່ແນ່ນອນ" ໃຫ້ທາງທີ່ລອງໜ້ອຍ |
| Thompson sampling | ສຸ່ມຈາກການກະຈາຍຄວາມເຊື່ອ (Bayesian) ຂອງແຕ່ລະທາງ |
ສິ່ງທີ່ຄວນຈື່
- ບໍ່ສຳຫຼວດ = ອາດຕິດຢູ່ກັບທາງເລືອກທີ່ບໍ່ດີ. ສຳຫຼວດຫຼາຍໂພດ = ເສຍລາງວັນ
- ວິທີທີ່ດີມັກໃຊ້ຂໍ້ມູນ "ຄວາມບໍ່ແນ່ນອນ" ບໍ່ແມ່ນສຸ່ມແບບຕາບອດ
import numpy as np
rng = np.random.default_rng(0)
true_means = rng.normal(0, 1, size=10) # ເຄື່ອງ slot 10 ເຄື່ອງ (ບໍ່ຮູ້ຄ່າຈິງ)
def run(strategy, steps=1000):
Q, N, total = np.zeros(10), np.zeros(10), 0.0
for t in range(1, steps + 1):
a = strategy(Q, N, t)
r = rng.normal(true_means[a], 1)
N[a] += 1
Q[a] += (r - Q[a]) / N[a] # ຄ່າສະເລ່ຍແບບ incremental
total += r
return total / steps
def epsilon_greedy(Q, N, t, eps=0.1):
return rng.integers(10) if rng.random() < eps else int(np.argmax(Q))
def ucb(Q, N, t, c=2.0):
if (N == 0).any():
return int(np.argmin(N)) # ລອງທຸກເຄື່ອງກ່ອນ
return int(np.argmax(Q + c * np.sqrt(np.log(t) / N)))
print(f"ຄ່າສູງສຸດທີ່ເປັນໄປໄດ້ : {true_means.max():.3f}")
print(f"greedy (eps=0) : {run(lambda Q, N, t: epsilon_greedy(Q, N, t, 0)):.3f}")
print(f"epsilon-greedy (0.1) : {run(epsilon_greedy):.3f}")
print(f"UCB : {run(ucb):.3f}")
ຜົນລັບ
ຄ່າສູງສຸດທີ່ເປັນໄປໄດ້ : 1.304 greedy (eps=0) : 0.642 epsilon-greedy (0.1) : 1.039 UCB : 1.195
- #DeepRL
- #ReinforcementLearning
- #PythonສຳລັບຄົນLaos
- #AI
- #ບອກຕໍ່ຄວາມຮູ້