強化學習中免模型學習採用蒙特卡羅方法去逼近最優解，那這種取樣原理是怎樣的呢？
1、蒙特卡羅思想
是一類隨機方法的統稱。這類方法的特點是，可以在隨機取樣上計算得到近似結果，隨著取樣的增多，得到的結果是正確結果的概率逐漸加大，但在（放棄隨機取樣，而採用類似全取樣這樣的確定性方法）獲得真正的結果之前，無法知道目前得到的結果是不是真正的結果。
和拉斯維加斯演算法相比，經典的描述就是：
蒙特卡羅演算法：取樣越多，越近似最優解；盡量找好的，但不保證是最好的。
拉斯維加斯演算法：取樣越多，越有機會找到最優解；盡量找最好的，但不保證能找到。
這是一種取樣隨機的演算法或原理。誕生於上個世紀40年代美國的"曼哈頓計畫"，名字**於賭城蒙特卡羅，象徵概率。近似或逼近，插值等等概念不外如是。
2、蒙特卡羅數學定義
3、借案例理解-π的計算
蒙特卡羅演算法表示取樣越多，越近似最優解。舉個例子，假如筐裡有100個蘋果，讓我每次閉眼拿1個，挑出最大的。於是我隨機拿1個，再隨機拿1個跟它比，留下大的，再隨機拿1個……我每拿一次，留下的蘋果都至少不比上次的小。拿的次數越多，挑出的蘋果就越大，但我除非拿100次，否則無法肯定挑出了最大的。這個挑蘋果的演算法，就屬於蒙特卡羅演算法。告訴我們樣本容量足夠大，則最接近所要求解的概率。
如何用蒙特卡羅方法計算圓周率π。
正方形內部有乙個相切的圓，它們的面積之比是π/4。
現在，在這個正方形內部，隨機產生10000個點（即10000個座標對 (x, y)），計算它們與中心點的距離，從而判斷是否落在圓的內部。
如果這些點均勻分布，那麼圓內的點應該佔到所有點的 π/4，因此將這個比值乘以4，就是π的值。通過r語言指令碼隨機模擬30000個點，π的估算值與真實值相差0.07%。
機器學習知識點
1.knn 不適合用來對特徵分布進行分析。2.強化學習中的mdp模型 環境狀態的集合 動作的集合 在狀態之間轉換的規則 規定轉換後 即時獎勵 的規則 描述主體能夠觀察到什麼的規則。3.otsu推到 4.繪製曲線 plt.plot hist.history loss plt.plot hist.his...
機器學習知識點
2.感知機 3 k近鄰法 4.樸素貝葉斯 5.決策樹 6.邏輯回歸與最大熵模型 7.支援向量機 8.整合學習 9.em演算法 10.隱馬爾科夫模型與條件隨機場 11.聚類方法 1.1 監督學習關於資料的基本假設是什麼？1.2 模型的假設空間是什麼？1.3 統計學習三要素 1.4 損失函式的定義，有哪...
機器學習相關知識點
1 tp 將正類 為正類數 fn 將正類 為負類數 fp 將負類 為正類數 tn 將負類 為負類數 精確率 precision p tp tp fp 反映了被分類器判定的正例中真正的正例樣本的比重。準確率 accuracy a tp tn p n tp tn tp fn fp tn 反映了分類器統對...