Назад к вопросам
JuniorТеорияЧасто
Что выведет эта программа?
import numpy as np
counts = np.array([20, 2])
means = np.array([0.6, 0.4])
t = counts.sum()
scores = means + np.sqrt(2 * np.log(t) / counts)
print(int(np.argmax(scores)), int(np.argmax(means)))1 0
- Ждать
0 0, будто бонус не может перебить большее среднее: у ручки 1 всего 2 вытягивания, её бонус около1.76против0.56у ручки 0, и её оценка выше. - Ждать, что бонус наказывает редко вытянутую ручку: его прибавляют к среднему, и он больше там, где вытягиваний меньше; поэтому UCB и идёт исследовать ручку 1.
- Какую ручку UCB предпочтёт после многих вытягиваний обеих, и почему?
- Как UCB поступает с ручкой, которую ещё ни разу не тянули?
