Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Вивчайте Епсилон-Жадібний Алгоритм | Проблема Багаторукого Бандита
Вступ до навчання з підкріпленням

bookЕпсилон-Жадібний Алгоритм

Алгоритм epsilon-greedy (ε\varepsilon-жадний) — це проста, але надзвичайно ефективна стратегія для розв'язання задачі багаторукого бандита. Хоча він може бути не таким стійким, як деякі інші методи для цієї конкретної задачі, його простота та універсальність забезпечують широку застосовність у сфері навчання з підкріпленням.

Як це працює

Алгоритм виконує такі кроки:

  1. Ініціалізація оцінок значень дій Q(a)Q(a) для кожної дії aa;
  2. Вибір дії за наступним правилом:
    • З імовірністю ε\varepsilon: вибір випадкової дії (дослідження);
    • З імовірністю 1ε1 - \varepsilon: вибір дії з найвищою оцінкою (експлуатація).
  3. Виконання дії та спостереження за винагородою;
  4. Оновлення оцінки значення дії Q(a)Q(a) на основі отриманої винагороди;
  5. Повторення кроків 2-4 фіксовану кількість разів.

Гіперпараметр ε\varepsilon (епсилон) визначає баланс між дослідженням і експлуатацією:

  • Високе ε\varepsilon (наприклад, 0.5) стимулює більше дослідження;
  • Низьке ε\varepsilon (наприклад, 0.01) сприяє експлуатації найкращої відомої дії.

Приклад коду

class EpsilonGreedyAgent:
  def __init__(self, n_actions, epsilon):
    """Initialize an agent"""
    self.n_actions = n_actions # Number of available actions
    self.epsilon = epsilon # epsilon
    self.Q = np.zeros(self.n_actions) # Estimated action values
    self.N = np.zeros(self.n_actions) # Action selection counters

  def select_action(self):
    """Select an action according to the epsilon-greedy strategy"""
    # With probability epsilon - random action
    if np.random.rand() < self.epsilon:
      return np.random.randint(self.n_actions)
    # Otherwise - action with highest estimated action value
    else:
      return np.argmax(self.Q)

  def update(self, action, reward):
    """Update the values using sample average estimate"""
    # Increasing the action selection counter
    self.N[action] += 1
    # Updating the estimated action value
    self.Q[action] += (reward - self.Q[action]) / self.N[action]

Додаткова інформація

Ефективність алгоритму ε\varepsilon-жадібного вибору значною мірою залежить від значення ε\varepsilon. Дві стратегії зазвичай використовуються для вибору цього значення:

  • Фіксоване ε\varepsilon: це найбільш загальний варіант, коли значення ε\varepsilon вибирається як константа (наприклад, 0.1);
  • Зменшуване ε\varepsilon: значення ε\varepsilon зменшується з часом відповідно до певного графіка (наприклад, починається з 1 і поступово зменшується до 0), щоб заохочувати дослідження на початкових етапах.

Підсумок

Алгоритм ε\varepsilon-жадібного вибору є базовим підходом для балансування дослідження та використання. Хоча він простий, слугує основою для розуміння більш складних стратегій, таких як upper confidence bound (UCB) та градієнтні бандити.

question mark

Яка основна характеристика алгоритму ε\varepsilon-жадібності?

Select the correct answer

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 2. Розділ 3

Запитати АІ

expand

Запитати АІ

ChatGPT

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Suggested prompts:

Can you explain the difference between fixed and decaying epsilon strategies?

How does epsilon-greedy compare to other exploration strategies like UCB?

Can you give a real-world example where epsilon-greedy is used?

Awesome!

Completion rate improved to 2.7

bookЕпсилон-Жадібний Алгоритм

Свайпніть щоб показати меню

Алгоритм epsilon-greedy (ε\varepsilon-жадний) — це проста, але надзвичайно ефективна стратегія для розв'язання задачі багаторукого бандита. Хоча він може бути не таким стійким, як деякі інші методи для цієї конкретної задачі, його простота та універсальність забезпечують широку застосовність у сфері навчання з підкріпленням.

Як це працює

Алгоритм виконує такі кроки:

  1. Ініціалізація оцінок значень дій Q(a)Q(a) для кожної дії aa;
  2. Вибір дії за наступним правилом:
    • З імовірністю ε\varepsilon: вибір випадкової дії (дослідження);
    • З імовірністю 1ε1 - \varepsilon: вибір дії з найвищою оцінкою (експлуатація).
  3. Виконання дії та спостереження за винагородою;
  4. Оновлення оцінки значення дії Q(a)Q(a) на основі отриманої винагороди;
  5. Повторення кроків 2-4 фіксовану кількість разів.

Гіперпараметр ε\varepsilon (епсилон) визначає баланс між дослідженням і експлуатацією:

  • Високе ε\varepsilon (наприклад, 0.5) стимулює більше дослідження;
  • Низьке ε\varepsilon (наприклад, 0.01) сприяє експлуатації найкращої відомої дії.

Приклад коду

class EpsilonGreedyAgent:
  def __init__(self, n_actions, epsilon):
    """Initialize an agent"""
    self.n_actions = n_actions # Number of available actions
    self.epsilon = epsilon # epsilon
    self.Q = np.zeros(self.n_actions) # Estimated action values
    self.N = np.zeros(self.n_actions) # Action selection counters

  def select_action(self):
    """Select an action according to the epsilon-greedy strategy"""
    # With probability epsilon - random action
    if np.random.rand() < self.epsilon:
      return np.random.randint(self.n_actions)
    # Otherwise - action with highest estimated action value
    else:
      return np.argmax(self.Q)

  def update(self, action, reward):
    """Update the values using sample average estimate"""
    # Increasing the action selection counter
    self.N[action] += 1
    # Updating the estimated action value
    self.Q[action] += (reward - self.Q[action]) / self.N[action]

Додаткова інформація

Ефективність алгоритму ε\varepsilon-жадібного вибору значною мірою залежить від значення ε\varepsilon. Дві стратегії зазвичай використовуються для вибору цього значення:

  • Фіксоване ε\varepsilon: це найбільш загальний варіант, коли значення ε\varepsilon вибирається як константа (наприклад, 0.1);
  • Зменшуване ε\varepsilon: значення ε\varepsilon зменшується з часом відповідно до певного графіка (наприклад, починається з 1 і поступово зменшується до 0), щоб заохочувати дослідження на початкових етапах.

Підсумок

Алгоритм ε\varepsilon-жадібного вибору є базовим підходом для балансування дослідження та використання. Хоча він простий, слугує основою для розуміння більш складних стратегій, таких як upper confidence bound (UCB) та градієнтні бандити.

question mark

Яка основна характеристика алгоритму ε\varepsilon-жадібності?

Select the correct answer

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 2. Розділ 3
some-alt