N-スロットバンディット実験
確率的マルチアームドバンディットで探索と活用を比較します。
各アームは未知のベルヌーイ報酬確率を持ちます。各ステップで1本のアームを選び、0または1の報酬を観測します。
- Epsilon-Greedy: epsilon 確率でランダム探索。
- UCB1: 不確実なアームに楽観ボーナス。
- Thompson Sampling: Beta分布によるベイズ事後サンプリング。
平均報酬
累積後悔
アーム（真の確率）
手動編集またはランダム化してから適用をクリック。
実行情報
現在の実行: 0 / 0
ステップ: 0 / 0
平均報酬: -
累積後悔: -