Эпсилон-жадная политика — это стратегия обучения с подкреплением, которая с вероятностью epsilon выбирает случайное действие, а иначе выбирает действие, которое сейчас оценивается как лучшее. Метод поддерживает exploration на ранних этапах обучения и может постепенно смещаться к exploitation по мере уменьшения epsilon.
In reinforcement learning, a policy that either follows a random policy with epsilon probability or a greedy policy otherwise. For example, if epsilon is 0.9, then the policy follows a random policy 90% of the time and a greedy policy 10% of the time. Over successive episodes, the algorithm reduces epsilon's value in order to shift from following a random policy to following a greedy policy. By shifting the policy, the agent first randomly explores the environment and then greedily exploits the results of random exploration.