Mi a politika, és miben különbözik a stokasztikus a determinisztikus?

A megerősítéses tanulás kontextusában a politika az ügynök stratégiája, amely meghatározza, hogy az egyes környezetállapotokban melyik akciót válassza.

Determinista politika mindig ugyanazt az akciót választja egy adott állapotban, vagyis az állapot és akció közötti hozzárendelés egyértelmű.

Stochasztikus politika valószínűségi eloszlást határoz meg az akciókra minden állapotban, így ugyanazon állapotban az ügynök különböző akciókat választhat bizonyos valószínűséggel.

Példa:

• Determinista politika: az S állapotban mindig az A akciót választja.
• Stochasztikus politika: az S állapotban az A akciót 0.7 valószínűséggel, a B akciót 0.3 valószínűséggel választja.

A stochasztikus politikák hasznosak, amikor a környezet felfedezése vagy az optimális viselkedés nem egyértelmű.