Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Többkarú banditák kvíz
Checks exploration, exploitation, regret, epsilon-greedy, UCB confidence bonuses, Thompson sampling and contextual features.
kérdés 1 -ból 8
A központi kompromisszum egy többkarú rablóproblémában a következők:
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- A központi kompromisszum egy többkarú rablóproblémában a következők:
- Feltárás és kiaknázás
- Elfogultság és eltérés
- Precizitás és felidézés
- Képzés és következtetés
- Bandita problémák esetén a „sajnálat” a következőkre utal:
- Az algoritmus által használt memória
- A halmozott jutalomkülönbség a mindig a legjobb kar megjátszásához képest
- A rendelkezésre álló karok száma
- Ideje kiképezni egy modellt
- Mit csinál az epszilon-kapzsi stratégia?
- Mindig a legmagasabb átlaggal rendelkező kart választja
- Soha nem kutat fel egyetlen kart sem
- Többnyire a legjobb kart használja ki, de véletlenszerűen, valószínűségi epszilonnal fedez fel
- Minden kart ugyanannyiszor húz örökre
- A Upper Confidence Bound (UCB) módszer a következő elvet követi:
- Pesszimizmus a bizonytalansággal szemben
- Teljesen figyelmen kívül hagyva a bizonytalanságot
- Csak véletlenszerű kiválasztás
- Optimizmus a bizonytalansággal szemben
- A Thompson mintavétele a következőképpen választja ki a kart:
- Mintavétel az egyes karok utólagos hiedelmeiből és a legjobb minta lejátszása
- Mindig a legkevésbé húzott kart választva
- Szedőkarok rögzített körmérkőzéses sorrendben
- Az edzési veszteség minimalizálása
- Miben különbözik egy kontextuális bandita a szokásostól?
- Teljesen figyelmen kívül hagyja a jutalmakat
- Az aktuális helyzet jellemzőit használja fel a választáshoz
- Csak egy karja van
- Idővel nem lehet megtanulni
- 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