the evaluation itself is still in t

the evaluation itself is still in terms of the near-optimality of expected values over future policies as opposed to the actual rewards the algorithm achieves while running

ผลลัพธ์ (ไทย) 1:

ประเมินตัวเองยังคงอยู่ในที่ใกล้-optimality ของค่าคาดหมายเป็นนโยบายในอนาคตตรงข้ามกับรางวัลจริงที่อัลกอริทึมได้รับขณะใช้งาน

ผลลัพธ์ (ไทย) 2:

การประเมินผลตัวเองยังอยู่ในแง่ของการใกล้ optimality ของค่าคาดว่านโยบายในอนาคตเมื่อเทียบกับผลตอบแทนที่เกิดขึ้นจริงอัลกอริทึมที่ประสบความสำเร็จในขณะที่ทำงาน

ผลลัพธ์ (ไทย) 3:

การประเมินตัวเองยังอยู่ในแง่ของใกล้คุณภาพของนโยบายในอนาคตคาดว่าค่าเมื่อเทียบกับผลตอบแทนที่ขั้นตอนวิธีการบรรลุจริง ขณะวิ่ง