Bandit algorithm

Bandit algorithm je sekvenčný rozhodovací algoritmus, ktorý priebežne vyvažuje skúšanie neznámych možností a využívanie už overených možností podľa získavanej odmeny.

Použitie závisí od konkrétnej úlohy a očakávaného výsledku. V praxi treba poznať vstupy, kroky výpočtu, výstup a podmienky, pri ktorých je výsledok spoľahlivý.

Overenie sa robí na reprezentatívnych dátach alebo scenároch, voči jasnej porovnávacej základni a pomocou metrík zodpovedajúcich reálnemu cieľu. Kontrola má zahŕňať aj hraničné prípady, neistotu a prevádzkové náklady.

Rizikom je nesprávny vstup, nevhodná voľba postupu, numerická nestabilita alebo použitie mimo overeného rozsahu. Prevenciou sú hraničné testy, porovnanie s referenčným riešením a meranie chýb.

Bandit algorithm sa od pojmov Backpropagation, Beam search, Algorithm odlišuje funkciou, vstupmi, spôsobom výpočtu a účelom výsledku. Súvisiace pojmy môžu spolupracovať, nie sú však automaticky zameniteľné.