Лаборатория N-Slot Bandit
Сравнение стратегий исследование–эксплуатация в стохастическом многоруком бандите.
У каждого рычага неизвестная бернуллиевская вероятность награды. На каждом шаге агент выбирает один рычаг и получает награду 0 или 1.
- Epsilon-Greedy: случайное исследование с вероятностью epsilon.
- UCB1: оптимистичный бонус для неопределённых рычагов.
- Thompson Sampling: байесовская выборка апостериора через Beta-распределения.
Средняя награда
Накопленная регрет
Рычаги (истинные вероятности)
Отредактируйте вручную или рандомизируйте, затем нажмите Применить.
Информация о запуске
Текущий запуск: 0 / 0
Шаг: 0 / 0
Средняя награда: -
Накопленная регрет: -