{ "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 ] }