N-Slot Bandit Lab
Stochastic multi-armed bandit में exploration-exploitation strategies की तुलना करें।
हर arm की एक unknown Bernoulli reward probability होती है। हर step पर agent एक arm चुनता है और reward 0 या 1 देखता है।
- Epsilon-Greedy: epsilon probability से random exploration।
- UCB1: uncertain arms के लिए optimism bonus।
- Thompson Sampling: Beta distributions से Bayesian posterior sampling।
Average Reward
Cumulative Regret
Arms (True Probabilities)
Manually edit करें या randomize करें, फिर Apply क्लिक करें।
Run Info
Current run: 0 / 0
Step: 0 / 0
Avg reward: -
Cum regret: -