本章节讲基于策略的强化学习，是强化学习领域中的一个独立分支，也是强化学习领域的重要研究方向，目前是OpenAI和加州大学伯克利分校(UC Berkeley)在研究。

本篇只讲如何使用gymnasium库中内置的游戏环境，并用Sarsa和Q-learning两种算法，展示出租车调度游戏案例。至于如何自定义强化学习环境，下一个篇章讲解。

从老虎机问题->强化学习算法

本项目的任务是：模型需要根据用户已经输入的文本，预测用户下一个可能要输入的词语。

python项目。

我们想象中的软件至少得有一个界面展示，Graphical User Interface,

一些控件也是内置有槽函数，而一些没有内置槽函数的控件，也是支持我们自定义槽函数的。

之所以把这个算法单独拿出来讲解，是因为这个算法比较有用，很多算法搭配这个算法，实现起来效果会更好，但是这个算法放到哪个章节都显得很突兀，因为这个算法其实是一个机器学习中的聚类算法，所以应该把这个算法和其他几种聚类算法比如kmeans、DBSCAN、层次聚类算法Birch等放在一起写，但是由于精力有限，先单独成一章把这个算法说清楚吧，而且这个算法的亮点就是用在图像处理领域。其他几种聚类算法以后有机会

本案例是基于LSTM架构，搭建一个文本情感分析模型，对评论内容进行二分类判断(正面或负面)。

六、模型效果评估前面讲过，最初我们建模的目的就是预测，最早人们使用的是传统的数理统计分析建模，这是一套完整的理论，是建立在基本假设、总体、样本、抽样、估计、检验等概念框架之上，有一系列完整的数学方法和和数理统计工具去计算统计量，进而得到总体规律而形成的统计模型，然后用模型来进行预测。但是，机器学习和深度学习是没有这一套系统的理论框架的，机器学习和深度学习更像是一个实证类方法，评估一个模型的好坏看预