Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Többkarú banditák kvíz

Checks exploration, exploitation, regret, epsilon-greedy, UCB confidence bonuses, Thompson sampling and contextual features.

Kapcsolódó útmutató utakTöbb fegyveres banditák
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.

  1. A központi kompromisszum egy többkarú rablóproblémában a következők:
    • Feltárás és kiaknázás
    • Elfogultság és eltérés
    • Precizitás és felidézés
    • Képzés és következtetés
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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