Тест, свързан с ръководство · Среден Ниво

Тест за многовъоръжени бандити

Проверява проучването, експлоатацията, съжалението, епсилон-алчността, бонусите за увереност на UCB, вземането на проби от Томпсън и контекстуалните функции.

Свързани ръководни пътекиМноговъоръжени бандити
Въпрос 1 на 8

Централният компромис в проблема с многовъоръжен бандит е между:

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Централният компромис в проблема с многовъоръжен бандит е между:
    • Проучване и експлоатация
    • Пристрастие и дисперсия
    • Прецизност и припомняне
    • Обучение и заключение
  2. При бандитски проблеми „съжаление“ се отнася до:
    • Паметта, използвана от алгоритъма
    • Кумулативната разлика във възнаграждението срещу винаги играейки най-добрата ръка
    • Броят налични оръжия
    • Времето за обучение на модел
  3. Какво прави епсилон-алчната стратегия?
    • Винаги избира ръката с най-висока средна стойност
    • Никога не изследва никоя ръка
    • Предимно използва най-добрата ръка, но изследва на случаен принцип с вероятност епсилон
    • Дърпа всяка ръка еднакъв брой пъти завинаги
  4. Методът на горната граница на доверие (UCB) следва принципа на:
    • Песимизъм пред лицето на несигурността
    • Изцяло игнориране на несигурността
    • Само случаен избор
    • Оптимизъм в лицето на несигурността
  5. Извадката на Thompson избира ръка чрез:
    • Вземане на проби от задната вяра на всяка ръка и възпроизвеждане на най-добрата проба
    • Винаги избирайте най-слабо изтеглената ръка
    • Избиране на оръжия във фиксиран кръгов ред
    • Минимизиране на загубата при обучение
  6. Как се различава контекстуалният бандит от стандартния?
    • Той напълно игнорира наградите
    • Той използва характеристиките на текущата ситуация, за да информира избора
    • Има само една ръка
    • То не може да се научи с времето
  7. In UCB, which arm usually receives a larger exploration bonus?
    • An arm whose sample count is largest
    • An arm with no uncertainty by definition
    • An arm that has been sampled relatively few times
    • An arm with a negative reward only
  8. What does logarithmic regret growth indicate over a long run?
    • The algorithm receives zero reward after each round
    • The best arm changes at every step
    • Exploration stops before the first observation
    • The cumulative gap from always choosing the best arm grows much slower than the number of rounds