If the actual computational process

If the actual computational process in a decision-maker is
similar to that employed in the standard Q-learning model,
i.e., the value of the unchosen option remains unchanged, better
predictions could be achieved by constructing a regressor of the
regression with different clocks for each option. Specifically, such
a model should include the variables that represents reward or choice n trials back in trials in which that option was chosen, rather
than in actual trials (as in the method discussed in this paper).
However, for more general cases (αF
̸= αL, αF
̸= 0), mapping the
RL model to the regression model is not straightforward.

ผลลัพธ์ (ไทย) 1:

ถ้าเป็นการคำนวณจริงในการเป็นผู้ตัดสินใจคล้ายกับที่ใช้ในรุ่นมาตรฐาน Q-การเรียนรู้เช่น ค่าของตัวเลือก unchosen ยังคงไม่เปลี่ยนแปลง ดีกว่าคาดคะเนอาจทำได้ โดยสร้าง regressor ของการถดถอยกับนาฬิกาแตกต่างกันสำหรับแต่ละตัวเลือก เฉพาะ เช่นแบบจำลองควรมีตัวแปรที่แสดงถึงรางวัล หรือทดลอง n เลือกสำรองในการทดลองซึ่งตัวเลือกที่ถูกเลือก ค่อนข้างกว่าในการทดลองจริง (ดังวิธีที่กล่าวถึงในเอกสารนี้)อย่างไรก็ตาม สำหรับกรณีทั่วไป (αF̸ = ΑL, ΑF̸ = 0), การทำแผนที่รุ่น RL แบบถดถอยไม่ตรงไปตรงมา

ผลลัพธ์ (ไทย) 3:

ถ้ากระบวนการคำนวณจริงในคนคือคล้ายกับที่ใช้ในรูปแบบ q-learning มาตรฐานคือ ค่าของตัวเลือก unchosen ยังคงไม่เปลี่ยนแปลง ดีกว่าการคาดการณ์อาจทำได้โดยการสร้าง regressor ของการถดถอยกับนาฬิกาที่แตกต่างกันสำหรับแต่ละตัวเลือก โดยเฉพาะ เช่นรูปแบบควรประกอบด้วยตัวแปรที่แสดงถึงผลตอบแทนหรือเลือก N การทดลองในการทดลองที่ตัวเลือกที่ถูกเลือก แทนที่กว่าในการทดลองจริง ( เช่นในวิธีที่กล่าวถึงในบทความนี้ )อย่างไรก็ตาม สำหรับกรณีทั่วไป ( α F̸ = αα F L̸ = 0 ) , แผนที่RL แบบตัวแบบการถดถอยไม่ตรงไปตรงมา