Kvíz spojený s průvodcem · Střední úroveň
Kvíz mnohorukých banditů
Kontroluje průzkum, využívání, lítost, epsilon-chtivost, bonusy za důvěru UCB, Thompsonovo vzorkování a kontextové funkce.
Otázka 1 z 8
Ústřední kompromis v problému vícerukého bandity je mezi:
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Ústřední kompromis v problému vícerukého bandity je mezi:
- Průzkum a exploatace
- Předpojatost a rozptyl
- Přesnost a zapamatovatelnost
- Školení a vyvozování
- V problémech s bandity se „lítost“ týká:
- Paměť používaná algoritmem
- Kumulativní mezera v odměnách versus vždy hrát nejlepší ruku
- Počet dostupných zbraní
- Čas trénovat modelku
- Co dělá epsilon-chtivá strategie?
- Vždy vybírá paži s nejvyšším průměrem
- Nikdy nezkoumá žádnou paži
- Většinou využívá nejlepší ruku, ale zkoumá náhodně s pravděpodobností epsilon
- Zatáhněte za každou paži stejně kolikrát navždy
- Metoda Upper Confidence Bound (UCB) se řídí principem:
- Pesimismus tváří v tvář nejistotě
- Zcela ignorovat nejistotu
- Pouze náhodný výběr
- Optimismus tváří v tvář nejistotě
- Thompson sampling vybírá rameno podle:
- Vzorkování ze zadního přesvědčení každé paže a přehrávání nejlepšího vzorku
- Vždy vybírejte paži nejméně zataženou
- Sběrací ramena v pevném pořadí
- Minimalizace tréninkových ztrát
- Jak se liší kontextový bandita od standardního?
- Úplně ignoruje odměny
- K informování o volbě využívá rysy aktuální situace
- Má jen jednu ruku
- Časem se to nedá naučit
- 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
- 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