4x4のリバーシで実験してみました。
- TD(0)・εグリーディー（ε=0.01）・テーブル形式評価関数は成功
- TD(0)・ソフトマックス（温度=0.75）・テーブル形式評価関数は成功
- TDLeaf(λ)・αβ1手・ソフトマックス（温度=0.75）・テーブル形式評価関数は失敗
- TDLeaf(λ)・αβ3手・ソフトマックス（温度=0.75）・線形評価関数は成功
って事は、TDLeaf(λ)とテーブル形式の評価関数だと上手く行かない？
と言うか、TDLeaf(λ)は評価関数に汎化能力が無いとダメなのか？
うーん…
