mutaliarmed bandit：当随机概率小于分配给bandi的成功概率时，为什么我们要将奖励增加1

Question

我试图用python来理解多武装土匪的问题。当随机概率小于指定盗贼的成功概率时，我不断遇到返回值为1（即奖励）的代码片段。请参阅下面的代码

def reward(prob):
    reward = 0;
    for i in range(10):
        if random.random() < prob:
            reward += 1
    return reward

我从下面的链接得到这个：http://outlace.com/rlpart1.html

我在另一个github页面上也看到了类似的内容。基于第一个环节，奖励函数背后的直觉是什么（它与实际的独臂匪徒的直觉如何相似），最后，当它小于概率时，为什么我们要给它分配1的奖励。当然应该是相反的，除非我弄错了。非常感谢。你知道吗

Answer 1

如果您有选择arm的实际数据和成功标签，则此奖励功能将不存在。你知道吗

我的理解是，您这样做是因为您没有实际的数据响应数据。也就是说，你伸出一只手臂，你不知道自己是否已经走向成功（1）或不成功（0）。你知道吗

所以你只要假设，如果概率是0.7，70%的概率你会得到1。就像一个成功概率为0.7的伯努利变量。这个随机。随机（）只供您执行。prob（手臂的成功概率）越大，你得到奖励的几率就越大。你知道吗