Что такое политика и чем стохастическая отличается от детерминированной?

В контексте обучения с подкреплением (reinforcement learning) политика — это стратегия агента, определяющая, какое действие выбрать в каждом состоянии среды.

Детерминированная политика всегда выбирает одно и то же действие для данного состояния, то есть отображение состояния в действие однозначно.

Стохастическая политика задаёт распределение вероятностей для действий в каждом состоянии, то есть для одного и того же состояния агент может выбрать разные действия с определённой вероятностью.

Пример:

• Детерминированная политика: в состоянии S всегда выбрать действие A.
• Стохастическая политика: в состоянии S выбрать действие A с вероятностью 0.7 и действие B с вероятностью 0.3.

Стохастические политики полезны, когда нужно исследовать среду или когда оптимальное поведение не однозначно.