Gids-gekoppelde quiz · Middelmatig Niveau

Meerarmige bandietenquiz

Controleert exploratie, exploitatie, spijt, epsilon-hebzucht, UCB-vertrouwensbonussen, Thompson-sampling en contextuele kenmerken.

Gerelateerde gidspadenMeerbewapende bandieten
Vraag 1 van 8

De centrale afweging bij een meerarmig bandietenprobleem is tussen:

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. De centrale afweging bij een meerarmig bandietenprobleem is tussen:
    • Exploratie en exploitatie
    • Vooroordeel en variantie
    • Precisie en herinnering
    • Training en gevolgtrekking
  2. Bij bandietenproblemen verwijst ‘spijt’ naar:
    • Het geheugen dat door het algoritme wordt gebruikt
    • De cumulatieve beloningskloof ten opzichte van altijd de beste arm spelen
    • Het aantal beschikbare armen
    • De tijd om een model te trainen
  3. Wat doet de epsilon-hebzuchtige strategie?
    • Kiest altijd de arm met het hoogste gemiddelde
    • Onderzoekt nooit een arm
    • Exploiteert meestal de beste arm, maar onderzoekt willekeurig met waarschijnlijkheidsepsilon
    • Trekt voor altijd een gelijk aantal keren aan elke arm
  4. De Upper Confidence Bound (UCB)-methode volgt het principe van:
    • Pessimisme tegenover onzekerheid
    • De onzekerheid volledig negeren
    • Alleen willekeurige selectie
    • Optimisme tegenover onzekerheid
  5. Thompson sampling kiest een arm door:
    • Bemonstering vanuit het achterste geloof van elke arm en het spelen van de beste steekproef
    • Pak altijd de arm die het minst wordt getrokken
    • Armen plukken in vaste round-robin-volgorde
    • Het minimaliseren van het trainingsverlies
  6. Hoe verschilt een contextuele bandiet van een standaardbandiet?
    • Het negeert beloningen volledig
    • Het maakt gebruik van kenmerken van de huidige situatie om de keuze te onderbouwen
    • Het heeft maar één arm
    • Het kan niet in de loop van de tijd leren
  7. Welke arm krijgt bij UCB meestal een grotere exploratiebonus?
    • Een arm met het grootste aantal samples
    • Een arm zonder onzekerheid per definitie
    • Een arm die relatief weinig is bemonsterd
    • Een arm met alleen een negatieve beloning
  8. Wat duidt een logaritmische groei van de spijt (regret) aan op de lange termijn?
    • Het algoritme ontvangt na elke ronde nul beloning
    • De beste arm verandert bij elke stap
    • Exploratie stopt vóór de eerste observatie
    • Het cumulatieve verschil met het altijd kiezen van de beste arm groeit veel langzamer dan het aantal rondes