training_summary.json

{
  "episodes": 15,
  "baseline_avg_reward": 0.424,
  "trained_avg_reward": 0.444,
  "baseline_eval": [
    0.4201600000000001,
    0.4359533333333333,
    0.4200533333333334,
    0.41672000000000003,
    0.42674
  ],
  "trained_eval": [
    0.4378933333333333,
    0.43851999999999997,
    0.44720666666666664,
    0.44887333333333335,
    0.4470333333333333
  ],
  "best_weights": [
    0.1273,
    0.2115,
    0.5069,
    0.8801,
    0.5215
  ]
}