完整定義
時序差分學習 (TD Learning) 是一種強化學習演算法,它通過從不完整的序列中學習來預測未來獎勵。與蒙地卡羅方法不同,TD 學習可以在 episode 結束前更新其預測,使其能夠在線上和連續環境中學習。它結合了動態規劃的抽樣和貝爾曼方程的更新。
白話說明
你有沒有想過,模型到底是怎麼學會、怎麼驗收、怎麼慢慢變準的?
你可以把它想成先看答案,再用誤差修正模型。
時序差分學習 的重點是 時序差分學習是一種強化學習方法,透過預測未來獎勵並更新預測值,從不完整的序列中學習,無需等待完整結果。
它重要,是因為學習速度、穩定度和泛化能力,會決定模型最後能不能上線。
記住這句
有答案、會更新、看泛化。
比喻:時序差分學習就像一個下棋的學生 -- 他不需要等到棋局結束才知道自己這一步好不好,而是每走一步就根據當前局面預測接下來的勝算,並根據實際發展即時調整他的判斷。
容易混淆
時序差分學習 vs 強化學習
時序差分學習:偏向 讓模型學習、更新與驗收
強化學習:偏向 靠獎勵學習的方法
最關鍵的區別:時序差分學習看的是「讓模型學習、更新與驗收」,強化學習看的是「靠獎勵學習的方法」。
時序差分學習 vs 馬可夫決策過程
時序差分學習:偏向 讓模型學習、更新與驗收
馬可夫決策過程:偏向 描述決策流程的數學框架
最關鍵的區別:時序差分學習看的是「讓模型學習、更新與驗收」,馬可夫決策過程看的是「描述決策流程的數學框架」。
實際案例
案例:用標答案資料訓練垃圾郵件分類器
訓練時看標籤,部署時只看新郵件內容
案例:先保留一批沒看過的資料來驗收模型
這樣才能知道它是真的會做,還是只會背題
算法與應用
先看資料,再更新參數,最後看驗證或測試表現
學習率、批次大小和損失函數,常一起決定收斂速度
重點不是背熟訓練集,而是遇到新資料也能做對
情境判斷
Q1(直覺題): 資料很多又想先跑起來,這類方法適不適合?
適合,尤其是你已經有標答案資料,想先做一版可用模型時。
Q2(判斷題): 資料很少但每一步都要很穩,這類方法一定是最佳解嗎?
看情況,資料少時通常還要配合正則化、驗證策略或其他方法,不能只靠同一招。
常見問題
當你有標答案資料,而且想要穩定做預測、分類或評估時,最值得用。
如果資料太少、標籤品質很差,或任務本身不適合這種學習方式,先換策略通常更有效。
好方法追求泛化,不是把訓練資料背熟;一旦新資料出現,還能不能做對才是重點。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本