Ի՞նչ է քաղաքականությունը և ինչպե՞ս է տատանողականը տարբերվում որոշիչից:

Վերահսկման ուսուցման համատեքստում, քաղաքականությունը գործակալի ռազմավարությունն է, որը որոշում է, թե յուրաքանչյուր միջավայրի վիճակում որ գործողությունը ընտրել:

Դետերմինիստական քաղաքականություն միշտ ընտրում է նույն գործողությունը տվյալ վիճակում, այսինքն՝ վիճակին և գործողությանը վերաբերող կապը միանշանակ է:

Ստոկաստիկ քաղաքականություն սահմանում է հավանականության բաշխում գործողությունների համար յուրաքանչյուր վիճակում, այսինքն՝ նույն վիճակում գործակալը կարող է տարբեր գործողություններ ընտրել որոշակի հավանականությամբ:

Օրինակ՝

• Դետերմինիստական քաղաքականություն՝ S վիճակում միշտ ընտրել գործողություն A:
• Ստոկաստիկ քաղաքականություն՝ S վիճակում ընտրել գործողություն A հավանականությամբ 0.7 և գործողություն B հավանականությամբ 0.3:

Ստոկաստիկ քաղաքականությունները օգտակար են, երբ անհրաժեշտ է ուսումնասիրել միջավայրը կամ երբ օպտիմալ վարքագիծը միանշանակ չէ։