我有一个功能性 LSTM 模型，它的性能可以接受。我现在如何将此监督模型转换为强化学习模型以提高性能？有没有关于如何将监督模型转换为强化学习模型的示例？
详细信息：我有一个多输入多输出系统（因为我无法分享实际问题，所以假设以天气预报为例），我需要实时预测输出（例如温度、风速等）。我有一个大数据集，我试用了一个监督学习模型，它可以很好地实时进行预测。
问题是有时预测值和实际值之间存在很大偏差。这意味着输入中可能存在从未出现在数据集中的新趋势。对于这种情况，我想逐渐增强我的模型预测。
这是否意味着我必须使用旧数据集和新数据再次训练我的模型，或者我可以简单地拥有一个 RL 机制来逐步改进模型？
有趣的问题！
我认为在 DQN 设置中重新使用您的模型可能会很有趣。如果您不时地重新训练您的监督模型以更新 DQN 模型，则更是如此（尽管在这种情况下，您必须弄清楚如何重用您的模型从 DQN 中学到的东西与它在监督下学到的东西）。
我认为要让你开始，你必须定义你正在使用 RL 的上下文。强化学习所需的基本要素是：
假设你想使用像 DQN 这样的东西，你必须定义这些东西才能运行算法。然后，您当前的监督模型将成为您的 NN 的起始状态，用于选择您的代理的决策。
您正在寻找的关键字是“Transferlearning”，它描述了如何将经过训练的模型用于其他情况。在您的情况下，甚至是其他学习方法。