强化学习：强化、监督、非监督三者区别

图片来源

现在让我们看一下强化学习和其他机器学习方法的对比。

在监督式学习框架下，我们通常具备完整的数据集合，并且每个数据样本均附带对应的标签信息。该类方法的核心目标在于使模型的预测输出尽可能贴近这些已知的标签值。

监督学习的一个显著特征在于其对数据分布的要求，即数据需满足独立性假设。这一特性在采用SGD等依赖于数据采样的优化算法时具有关键意义。

与之不同的是，在强化学习场景中并不存在上述前提条件：
我们并不预先拥有结构化的数据集，但系统本身具备生成数据的能