今朝からの分。 65-?-269で勝率19.5％。95％信頼区間は15.4〜24.1。 まだ収束遅いんで、TDLeaf(λ)でざくっと学習させてから、パラメータ引き継ぎで方策勾配法って流れにしてみます。

昨夜からの分。 116-?-825で勝率12.3％。95％信頼区間は10.3〜14.6。ちょっと上向いてきました。 ただ、まだ収束が遅すぎるのにはかわりないんで、何か対策を考えないと。