「正解」に当たるものは学習方式で違う

強化学習の「報酬」は、行動の結果として返される評価値です。教師あり学習の「正解ラベル」は、各入力に事前に付ける正解そのものです。
・訪問者の状態は、行動を選ぶ前の観察対象です。
・エージェントは学習する主体で、値そのものではありません。
要件が「行動の結果として受け取る値」か「入力に付ける正解」かで判断します。