- 10 名前：ゲーマーLV90 mailto:sage [2018/05/03(木) 17:54:23.34 ID:aC7LfhT5.net]
- 記憶上限
報酬複数や報酬変化に対応 など
上限超えた記憶を消すのが重要
上限少ない方が適応が速い
状態 行動 結果 回数＝％ 上限
回数＝報酬を得た回数
古いのから消えていく
例 報酬複数
状態01＋行動01＝報酬01 50 100
状態01＋行動01＝報酬02 30 100
状態01＋行動01＝報酬03 20 100
状態＋行動＝報酬 の表の作成と使用
表の作成＝学習
表の使用＝予測
状態ランダムテーブルシャッフル
09 08 07 04 05 06 03 02 01 10 13 12 11 など
13回状態変えたらシャッフル
一応確率式でも可能だけど確率式だと学習漏れする可能性がある
100÷13＝約7.69％ 01から13まで各状態7.69％とかだと学習漏れの可能性
学習率
学習率100％＝表の完成？ 確率的な場合 表が完成しない場合もある
記憶上限も関係？
