假设有两台bandit，简化成只需要拉杆就能玩，结果只有胜利和失败，胜利为1，失败为2。
事先并不知道每台机器的实际胜率，所以只能不断的玩来评估。一开始玩哪一台都一样，胜率都为0，假设我玩第一台，输了。第二次选择玩第二台就很合理。假设玩第二台我赢了，这个时候第一台胜率为0，第二台为100%。这个时候合理的选择是玩第二台，假如之后一直玩第二台，然后一直输，无论如何第二台的胜率都是会高于第一台0。
如果是利用，则会选择最优的策略，也就是概率最大的，也就是选择玩第二台。达到收益最大化。
如果是探索，则应该有一定几率选到第一台，由此获得更多的数据，使得实验结果更加精确。
如果纯粹使用利用。那么得到的策略可能是次优的。
纯探索可能达不到收益最大化。
解决这个问题的算法：epsilon-greedy
应用到现实，可以做推荐系统，a/b测试。
实例:1.定义bandit类，拥有实际概率，和评估概率的self.拥有一个pull方法，返回值是布尔类型。
2.创建一个循环，循环执行算法
3.绘图
special point:求mean公式,推导。numpy各个函数的作用。
问问题，问傻问题也总好过不问。
乐观初值算法
设置一个大的估计均值，直接用贪婪策略。
ucb1算法
也是贪婪算法，不过加了一个递减函数。
网友评论