如前所述，它会选择概率为1-epsilon的最高均方根臂，epsilon / k是如何加到它的（以及为随机概率选择也是epsilon / k）上，写在概率页面的第6页中：论文Algorithms for multi armed bandits。在方程中写epsilon / k是什么意思
最佳答案
这个答案来自here：
假设您站在k = 3台老虎机前面。每台机器都会根据不同的概率分布进行支付，而您不知道这些分布。假设您总共可以玩100次。
你有两个目标。第一个目标是尝试一些硬币，以尝试确定哪台机器的支出最佳。第二个相关的目标是获得尽可能多的钱。术语“ explore”和“ exploit”用于表示您必须使用一些硬币进行探索才能找到最佳机器，并且您希望在最佳机器上使用尽可能多的硬币来利用您的知识。
Epsilon-greedy太简单了。在玩机器时，您会跟踪每台机器的平均支出。然后，您选择当前平均支出最高的机器，其概率为=（1 – epsilon）+（epsilon / k），其中epsilon是一个很小的值，例如0.10。然后，您选择的机器的当前支出平均值不是最高，概率为epsilon / k。
通过一个具体的例子更容易理解。假设在开始抽出12次之后，您四次玩＃1机器，两次赢得$ 1，两次赢得$ 0。 1号机的平均值为$ 2/4 = $ 0.50。
假设您已经玩过2次机器＃5，赢得了3次$ 1和两次$ 0。 2号机器的平均支出为$ 3/5 = $ 0.60。
假设您在3号机上玩了3次，一次赢了1美元，两次赢了0美元。 3号机器的平均支出为$ 1/3 = $ 0.33。
现在，您必须选择一台机器来尝试13号尝试。您将生成一个随机数p，介于0.0和1.0之间。假设您将epsilon设置为0.10。如果p> 0.10（这将是90％的时间），则选择机器＃2，因为它具有当前最高的平均支出。但是，如果p
请注意，由于您是从所有计算机中随机选择的，因此2号计算机仍可能会被选择。
随着时间的流逝，最好的机器会越来越频繁地被玩，因为它将付出更多的钱。简而言之，ε贪婪意味着大多数时候都选择当前的最佳选项（“贪婪”），但有时选择概率很小（ε很小）的随机选项。
还有许多其他算法可以解决多武装匪徒问题。但是epsilon-greedy非常简单，并且通常比UCB（“上限置信度”）变体等更复杂的算法效果更好甚至更好。
关于machine-learning - 什么是epsilon/k，这在epsilon贪婪算法中是怎么来的，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/50423955/