Назад к вопросам
JuniorТеорияЧасто
Что выведет эта программа?
import numpy as np
probs = np.array([0.3, 0.5, 0.8])
pulls = np.array([2, 0, 2, 1, 2])
regret = (probs.max() - probs[pulls]).sum()
print(round(regret, 2))0.8
- Ждать
3.2, сумму вероятностей вытянутых ручек: regret складывает разрывы с лучшей ручкой,0.8минус вероятность вытянутой, и три вытягивания ручки 2 ничего не добавляют. - Ждать
0.16, средний разрыв: regret складывает потери по всем шагам,0.5 + 0.3 = 0.8, и растёт, пока стратегия ещё тянет более слабую ручку.
- Как растёт regret со временем у фиксированного сплита 50/50 и у стратегии, которая перестаёт тянуть слабые ручки?
- Почему regret можно посчитать в симуляции, но нельзя в живом тесте?
