方策反復
強化学習で、現在の方策の価値を評価する「方策評価」と、その価値に基づいて方策を改善する「方策改善」を、交互に繰り返す手法として、最も適切なものを1つ選べ。
- A
価値のみを更新し、方策は評価しない手法
- B
方策反復
- C
教師データとの誤差を最小にする手法
- D
データを似たものにまとめる手法
正解と解説を見る
正解：B
方策反復は、方策評価と方策改善を交互に行う。価値反復は、両者を1つの更新にまとめたものと見ることができる。
| 用語 | 内容 |
|---|---|
| 方策 | 状態から、行動を選ぶ規則（確率で表すこともある） |
| 価値反復 | 状態の価値をベルマン方程式で繰り返し更新して、最適な価値を求める |
| 方策反復 | 方策の評価と改善を交互に繰り返して、最適な方策を求める |
- A
誤り。それは価値反復に近い。
- B
正しい。収束すると、最適な方策になる。
- C
誤り。教師あり学習。
- D
誤り。クラスタリング。
このサイトの問題は、各試験の公開されているシラバスに沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。日本ディープラーニング協会（JDLA）・一般社団法人生成AI活用普及協会（GUGA）の公式サービスではありません。