Лабораторія N-Slot Bandit
Порівняйте стратегії exploration-exploitation у стохастичному multi-armed bandit.
Кожна рука має невідому ймовірність винагороди Бернуллі. На кожному кроці агент обирає руку і спостерігає винагороду 0 або 1.
- Epsilon-Greedy: випадкове дослідження з ймовірністю epsilon.
- UCB1: бонус оптимізму для невизначених рук.
- Thompson Sampling: байєсівське вибіркове семплювання через Beta-розподіли.
Average Reward
Cumulative Regret
Arms (True Probabilities)
Редагуйте вручну або randomize, потім натисніть Apply.
Run Info
Current run: 0 / 0
Step: 0 / 0
Avg reward: -
Cum regret: -