SARSA法 （State–Action–Reward–State–Action ）はマルコフ決定過程でのポリシーを学習するためのアルゴリズムであり、機械学習のサブカテゴリーである強化学習 の分野で使われる。RummeryとNiranjanのテクニカルノート[1] Rich Sutton により提案された、「SARSA」という名前は、脚注で言及されるに留まった。
このネーミングは、Q関数の更新アルゴリズムが、現在の状況 s 1 {\displaystyle s_{1}} a 1 {\displaystyle a_{1}} r 1 {\displaystyle r_{1}} s 2 {\displaystyle s_{2}} a 2 {\displaystyle a_{2}} ( s t , a t , r t , s t + 1 , a t + 1 ) {\displaystyle (s_{t},a_{t},r_{t},s_{t+1},a_{t+1})} [2] r t {\displaystyle r_{t}} r t + 1 {\displaystyle r_{t+1}}
アルゴリズム 状態 s t {\displaystyle s_{t}} a t {\displaystyle a_{t}} r t {\displaystyle r_{t}} s t + 1 {\displaystyle s_{t+1}} a t + 1 {\displaystyle a_{t+1}} Q ( s t , a t ) {\displaystyle Q(s_{t},a_{t})} Q ( s t , a t ) {\displaystyle Q(s_{t},a_{t})} r t + γ Q ( s t + 1 , a t + 1 ) {\displaystyle r_{t}+\gamma \,Q(s_{t+1},a_{t+1})}
Q ( s t , a t ) ← ( 1 − α ) Q ( s t , a t ) + α [ r t + γ Q ( s t + 1 , a t + 1 ) ] {\displaystyle Q(s_{t},a_{t})\leftarrow (1-\alpha )Q(s_{t},a_{t})+\alpha \left[r_{t}+\gamma \,Q(s_{t+1},a_{t+1})\right]} SARSAでは、エージェントは環境と相互作用し、行われた行動ベースでポリシーを更新する。そのため、オンポリシー型の学習アルゴリズムである。
学習率 0 < α < 1 {\displaystyle 0<\alpha <1}
割引率 0 < γ < 1 {\displaystyle 0<\gamma <1} [3]
関連項目 出典 
Category:データマイニング
![{\displaystyle Q(s_{t},a_{t})\leftarrow (1-\alpha )Q(s_{t},a_{t})+\alpha \left[r_{t}+\gamma \,Q(s_{t+1},a_{t+1})\right]}](http://weblio.hs.llnwd.net/e7/img/dict/wkpja/https://wikimedia.org/api/rest_v1/media/math/render/svg/8988ee20ebf7380f46a0aed4b9c23dafe704f6db)
