G検定（ジェネラリスト検定） 機械学習の概要 練習問題 第14問: ビルの空調を強化学習で制御する例について、強化学習の要素の対応や学習の仕方の説明として、最も適切なものはどれか。

正解: 2. 空調の設定を変える操作が行動、室温や時刻などが状態、快適さと消費電力から決めた評価値が報酬に当たる

肢2が正解です。Sutton と Barto の Reinforcement Learning: An Introduction（第2版）は、学習し意思決定する主体をエージェント、それ以外を環境とし、エージェントは環境の状態を受け取って行動を選び、環境は次の状態と報酬（数値）を返すと説明します。空調の例では、設定の操作が行動、観測される室温や時刻が状態、目的に照らして決めた評価値が報酬です。肢1は状態と報酬を取り違えています。肢3は正しい行動をラベルとして与える教師あり学習の説明で、強化学習では正しい行動は教えられず、試行錯誤で見つけます。肢4は誤りで、行動は次の状態を通じて後の報酬にも影響するので、強化学習では将来にわたる報酬の合計（収益）を大きくするように学びます。

関連キーワード: 強化学習・マルコフ決定過程・エージェント・報酬