一、時(shí)間差分（TD）方法
二、蒙特卡洛（MC）方法
優(yōu)勢(shì)：無偏估計(jì)： MC方法提供了對(duì)值函數(shù)的無偏估計(jì)，收斂性好。簡(jiǎn)單： MC方法相對(duì)簡(jiǎn)單直接，易于理解和實(shí)現(xiàn)。適用于離線學(xué)習(xí)： 可以從離線數(shù)據(jù)中學(xué)習(xí)，不依賴具體的環(huán)境模型。劣勢(shì)：方差較高： 由于基于完整情節(jié)的樣本，MC的方差可能較高。完整情節(jié)要求： 需要完整的情節(jié)來估計(jì)值函數(shù)，對(duì)于持續(xù)性或長(zhǎng)情節(jié)任務(wù)可能不適合。常見問答：
Q1: TD和MC在什么場(chǎng)景下選擇使用?
答: TD適用于需要在線學(xué)習(xí)和持續(xù)性任務(wù)的場(chǎng)景，而MC則更適用于可以訪問完整情節(jié)和離線學(xué)習(xí)的環(huán)境。
Q2: MC方法的方差為何較高?
答: MC基于完整情節(jié)的樣本估計(jì)值函數(shù)，每個(gè)樣本可能帶來較大的變化，因此方差可能較高。
Q3: 為何說TD方法在偏差和方差之間取得平衡?
答: TD方法通過部分使用引導(dǎo)信息（基于當(dāng)前策略的未來回報(bào)估計(jì)）來減少方差，但可能引入偏差，從而在偏差和方差之間取得平衡。
京公網(wǎng)安備 11010802030320號(hào)