文档摘要

4.2 函数逼近器：从线性模型到神经网络 本节摘要：选函数逼近器本质是在三样东西之间做交易：表达能力、训练稳定性、样本效率。线性模型稳定但表达力受限于特征工程质量；神经网络表达力强但对 RL 的非平稳数据敏感；核方法、决策树等中间选项各有领地。本节把主流逼近器逐一过堂，重点讲清"为什么最终是神经网络赢了"，以及线性方法在什么场景仍然是明智之选。 选逼近器的三个考量 三个考量互为牵制。表达能力：函数族能否覆盖真实的 Q 函数形状？ 会员。《4.2 函数逼近器：从线性模型到神经网络》收录于灏天文库文集《强化学习与智能体训练：从 Q-Learning 到深度强化学习》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/540-%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E4%B8%8E%E6%99%BA%E8%83%BD%E4%BD%93%E8%AE%AD%E7%BB%83%E4%BB%8E-q-learning-%E5%88%B0%E6%B7%B1%E5%BA%A6%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流