Gids-gekoppelde quiz · Middelmatig Niveau
Meerarmige bandietenquiz
Controleert exploratie, exploitatie, spijt, epsilon-hebzucht, UCB-vertrouwensbonussen, Thompson-sampling en contextuele kenmerken.
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.
- De centrale afweging bij een meerarmig bandietenprobleem is tussen:
- Exploratie en exploitatie
- Vooroordeel en variantie
- Precisie en herinnering
- Training en gevolgtrekking
- 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
- 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
- De Upper Confidence Bound (UCB)-methode volgt het principe van:
- Pessimisme tegenover onzekerheid
- De onzekerheid volledig negeren
- Alleen willekeurige selectie
- Optimisme tegenover onzekerheid
- 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
- 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
- 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
- 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