Ainsteinx Logo
Ainsteinx
👤
ยินดีต้อนรับสู่ Ainsteinx
เข้าสู่ระบบ

เปลี่ยนภาษา

สกุลเงิน

หน้าแรก
บล็อก
บริการ
บทที่ 04 · RL แบบตาราง

ชั่งการสำรวจและการใช้ประโยชน์

ตู้สล็อตหลายตู้ เลือกตู้ไหนดี?

เมื่อไม่รู้ MDP agent เห็นเพียงตัวเลขรางวัล เช่น +1, −4 จึงไม่รู้ว่ายังมีทางเลือกที่ดีกว่าซ่อนอยู่หรือไม่

นี่คือปัญหา exploration vs exploitation รางวัลที่เสียไปเพราะไม่ได้เลือกทางที่ดีที่สุดเรียกว่า regret

ในโค้ด: greedy ล้วนๆ ติดอยู่กับตู้ที่เจอก่อน ส่วน UCB ใช้ความไม่แน่นอนช่วยเลือก จึงใกล้ค่าสูงสุดกว่า

วิธีแนวคิด
ε-greedyส่วนใหญ่เลือกตัวที่ดีที่สุด มีโอกาส ε สุ่มเลือก
Decaying ε-greedyสำรวจมากในช่วงแรกแล้วค่อยลด ε
Optimistic initializationตั้งค่า Q เริ่มต้นสูงๆ เพื่อบังคับให้ลองทุกทาง
Softmaxสุ่มตามสัดส่วนของค่า Q
UCBบวก "โบนัสความไม่แน่นอน" ให้ทางที่ลองน้อย
Thompson samplingสุ่มจากการแจกแจงความเชื่อ (Bayesian) ของแต่ละทาง

สิ่งที่ควรจำ

  • ไม่สำรวจ = อาจติดอยู่กับทางเลือกที่ไม่ดี สำรวจมากเกินไป = เสียรางวัล
  • วิธีที่ดีมักใช้ข้อมูล "ความไม่แน่นอน" ไม่ใช่สุ่มแบบไม่มีทิศทาง
deep-rl-ep04-bandits.py
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}")

ผลลัพธ์

ຄ່າສູງສຸດທີ່ເປັນໄປໄດ້ : 1.304
greedy (eps=0)        : 0.642
epsilon-greedy (0.1)  : 1.039
UCB                   : 1.195
  • #DeepRL
  • #ReinforcementLearning
  • #PythonສຳລັບຄົນLaos
  • #AI
  • #ບອກຕໍ່ຄວາມຮູ້