最終更新日：2026年8月26日
gk reinforcement_learning policy
G検定トップ
＞ ε-greedy方策（epsilon-greedy policy）とは？【G検定対策】
まず結論
ε-greedy方策は、
- 確率 ε でランダムに行動する → 探索
- 確率 1−ε で現在もっとも価値が高い行動を選ぶ → 活用
というシンプルな探索戦略です。
G検定では、εと1−εを逆にしないことが最優先です。
直感的な説明
「基本は一番よさそうな選択をする。でも、ときどき別の選択も試す」という考え方です。
いつも同じ行動だけでは、まだ試していない良い行動を見逃すかもしれません。一方で、いつもランダムでは、分かったことを活用できません。
そこでε-greedyは、普段は活用し、εの確率だけ探索することで両者を両立します。
定義・仕組み
ε-greedyは、強化学習や多腕バンディットで使われる行動選択の方法です。
- 乱数を使って探索するか活用するか決める
- 探索ならランダムな行動を選ぶ
- 活用なら現在もっとも価値が高い行動を選ぶ
εは固定する場合もあれば、学習初期は大きく、学習が進むにつれて小さくする場合もあります。
重要なのは、ε-greedy自体がQ値の更新方法ではなく、どの行動を選ぶかという探索戦略だという点です。
いつ使う？（得意・不得意）
- Q学習などで探索を加えたい
- 多腕バンディットで探索と活用を両立したい
- 単純で分かりやすい探索戦略を使いたい
ただし、探索時は候補の不確実性を考慮せずランダムに選ぶため、UCBのような方法より探索効率が悪い場合があります。
G検定ひっかけポイント
- ❌「εの確率で最良行動を選ぶ」→ 基本形では逆
- ❌「試行回数が少ない行動を不確実性込みで優先する」→ UCB
- ❌「ε-greedyはQ値の更新式」→ 行動選択の戦略
- ⭕「εでランダム探索」→ ε-greedy
- ⭕「1−εで現在の最良行動を活用」→ ε-greedy
まとめ（試験直前用）
- ε-greedy＝探索と活用を確率で切り替える
- ε → ランダム探索
- 1−ε → 現在の最良行動を活用
- UCBは不確実性も使う
- 「εで探索」が最重要の判断基準