多步TD是介于单步TD和MC之间的一种方法
7.1 多步TD预测
首先，定义n-step return:
得出n步迭代更新：
其中$G_t^{(n)}$满足下列误差递减性质：
当n取一个折衷值的时候，平方误差最小
7.2 n步Sarsa
将状态价值换为动作价值，重新描述$G_t^{(n)}$：
以及迭代更新式：
对应的，Expected Sarsa的G值：
7.3 n步off-policy学习
Recall that off-policy learning is learning the value function for one policy, π, while following another policy, µ. Often, π is the greedy policy for the current actionvalue-function estimate, and µ is a more exploratory policy, perhaps ε-greedy.
例如，如果$pi$中某个动作的概率是0，那么这个更新应该被忽略，如果$pi$中某个动作的可能性更高，那么自然也应该赋予更高的更新系数。
现在照旧用Q来代替V，得到Sarsa更新式：
off-policy通常比on-policy要收敛得慢。
7.4 去掉Importance Sampling的Tree Backup算法
7.5 Importance Sampling和Tree Backup的组合（略）