Policy হলো কোনো state-এ agent কোন action নেবে তার strategy। এটিকে সাধারণভাবে state থেকে action-এর mapping হিসেবে ভাবা যায়।
State → Policy → Action
Deterministic policy একই state-এ সবসময় একই action দেয়। Stochastic policy একাধিক action-এর probability দেয়। যেমন একটি state-এ 70% সম্ভাবনায় সামনে যাবে এবং 30% সম্ভাবনায় ডানে যাবে।
RL training-এর মূল লক্ষ্য সাধারণত এমন একটি policy শেখা, যা expected long-term reward সর্বোচ্চ করে।
Policy হলো agent-এর decision rule—বর্তমান state দেখে কোন action নেওয়া উচিত, সেটি policy নির্ধারণ করে।