- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我学习和应用强化学习的玩具项目是:
- 代理试图“安全”且“快速”达到目标状态....
- 但是有射弹和火箭会向特工发射。
- 代理可以确定火箭的位置 - 带有一些噪音 - 仅当火箭“靠近”时
- 然后代理必须学会避免撞上这些火箭。
- 代理具有 - 可随时间充电 - 燃料,在代理运动中消耗
- 连续 Action :向前加速 - 有角度转动
我需要一些适合这种情况的 RL 算法的提示和名称..
- 我认为它是 POMDP ,但我可以将其建模为 MDP 并忽略噪声吗?
- 如果是 POMDP,评估概率的推荐方法是什么?
- 在这种情况下使用哪个更好:值(value)函数或策略迭代?
- 我可以使用神经网络来模拟环境动力学而不是使用显式方程吗?
- 如果是,是否有特定类型/型号的神经网络值得推荐?
- 我认为 Actions 必须是离散化的,对吧?
我知道学习这样的主题需要时间和精力,但我很渴望..
如果您无法回答全部问题,您可以回答部分问题...
谢谢
最佳答案
如果这是您第一次进行强化学习实验,我建议您从比这简单得多的事情开始。您可以从简单的项目开始,掌握窍门,然后再转向像这样的更复杂的项目。我在 POMDP 方面遇到了麻烦,而且我已经在 RL 领域工作了一段时间了。现在我将尝试回答我能回答的问题。
我认为它是 POMDP ,但是我可以将其建模为 MDP 并忽略噪声吗?
是的。 POMDP 代表部分可观察马尔可夫决策过程。部分可观察部分是指智能体无法完全知道其状态,但可以根据观察来估计它。在你的情况下,你将把火箭的位置作为可能有一些噪音的观察,并且根据特工之前的知识,你可以更新它对导弹所在位置的信念。这增加了很多复杂性。将导弹位置作为绝对位置使用会容易得多,而不必处理不确定性。那么您就不必使用 POMDP。
对于 POMDP,评估概率的推荐方法是什么?
我不明白你的问题。您将使用某种形式的贝叶斯规则。也就是说,您将拥有某种分布,即您的信念状态(处于任何给定状态的概率),这将是您的先验分布,并且根据观察,您将调整它并获得后验分布。如果您需要更多信息,请查看贝叶斯规则。
在这种情况下使用哪个更好:值(value)函数还是策略迭代?
我的大部分经验都是使用值(value)函数,并发现它们相对容易使用/理解。但我不知道还能告诉你什么。我想这可能是你的选择,我必须花时间做这个项目才能做出更好的选择。
我可以使用神经网络来模拟环境动力学而不是使用显式方程吗?如果是,有推荐的特定类型/型号的神经网络吗?
抱歉,我对使用神经网络建模环境一无所知。
我认为 Actions 必须是离散化的,对吧?
是的。您必须有一个离散的操作列表和一个离散的状态列表。一般来说,算法会为任何给定状态选择最佳操作,而对于最简单的算法(例如 QLearning),您只需跟踪每个给定状态-操作对的值即可。
如果您刚刚学习所有这些内容,我会推荐 Sutton and Barto文本。另外,如果您想查看 RL 算法的简单示例,我有一个非常简单的基类和一个使用它的示例,地址为 github (用Python编写)。 Abstract_rl 类旨在针对 RL 任务进行扩展,但非常简单。 simple_rl.py 是一个简单任务的示例(它是一个简单的网格,以一个位置为目标,它使用 QLearning 作为算法),使用可以运行的 base_rl 并打印一些显示随时间变化的奖励的图表。两者都不是很复杂,但如果您刚刚开始,可能会帮助您提供一些想法。我希望这有帮助。如果您有更多或更具体的问题,请告诉我。
关于machine-learning - 强化学习玩具项目,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/2846038/
基本上,我的问题是,由于无监督学习是机器学习的一种,是否需要机器“学习”的某些方面并根据其发现进行改进?例如,如果开发了一种算法来获取未标记的图像并找到它们之间的关联,那么它是否需要根据这些关联来改进
生成模型和判别模型似乎可以学习条件 P(x|y) 和联合 P(x,y) 概率分布。但从根本上讲,我无法说服自己“学习概率分布”意味着什么。 最佳答案 这意味着您的模型要么充当训练样本的分布估计器,要么
是否有类似于 的 scikit-learn 方法/类元成本 在 Weka 或其他实用程序中实现的算法以执行常量敏感分析? 最佳答案 不,没有。部分分类器提供 class_weight和 sample_
是否Scikit-learn支持迁移学习?请检查以下代码。 型号 clf由 fit(X,y) 获取 jar 头型号clf2在clf的基础上学习和转移学习 fit(X2,y2) ? >>> from s
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。 方法一:cross_validation.train_test_split 方法 2:分层折叠。 具有相同
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到,要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知,这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
有没有办法让 scikit-learn 中的 fit 方法有一个进度条? 是否可以包含自定义的类似 Pyprind 的内容? ? 最佳答案 如果您使用 verbose=1 初始化模型调用前 fit你应
我正在使用基于 rlglue 的 python-rl q 学习框架。 我的理解是,随着情节的发展,算法会收敛到一个最优策略(这是一个映射,说明在什么状态下采取什么行动)。 问题 1:这是否意味着经过若
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型,并且我想使用“一个标准错误”规则来选择最佳模型,即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
我正在尝试离散数据以进行分类。它们的值是字符串,我将它们转换为数字 0,1,2,3。 这就是数据的样子(pandas 数据框)。我已将数据帧拆分为 dataLabel 和 dataFeatures L
每当我开始拥有更多的类(1000 或更多)时,MultinominalNB 就会变得非常慢并且需要 GB 的 RAM。对于所有支持 .partial_fit()(SGDClassifier、Perce
我需要使用感知器算法来研究一些非线性可分数据集的学习率和渐近误差。 为了做到这一点,我需要了解构造函数的一些参数。我花了很多时间在谷歌上搜索它们,但我仍然不太明白它们的作用或如何使用它们。 给我带来更
我知道作为功能 ordinal data could be assigned arbitrary numbers and OneHotEncoding could be done for catego
这是一个示例,其中有逐步的过程使系统学习并对输入数据进行分类。 它对给定的 5 个数据集域进行了正确分类。此外,它还对停用词进行分类。 例如 输入:docs_new = ['上帝就是爱', '什么在哪
我有一个 scikit-learn 模型,它简化了一点,如下所示: clf1 = RandomForestClassifier() clf1.fit(data_training, non_binary
我是一名优秀的程序员,十分优秀!