MAP估计
# MAP估计
一句话定义
MAP 估计是使后验分布达到最大值的参数取值。
解决什么问题
它提供“后验最可能参数值”的点估计，结合了先验和似然。
公式
$$ \hat\theta_{MAP}=\arg\max_\theta \pi(\theta|x) $$
典型场景
- 0-1 损失直觉下选择后验众数。
- 在机器学习中加入先验或正则化的参数估计。
- 分类中选择后验概率最大的类别。
和本实验室方向的关系
MAP 与正则化、概率分类和贝叶斯建模密切相关，是连接统计推断和机器学习的重要概念。
交流时可以怎么说
MAP 最大化后验，MLE 最大化似然；当先验均匀时，二者常常一致。
可以追问老师/同学的问题
- MAP 和后验均值在这个题中是否相同？
- 先验如何影响 MAP？
- MAP 是否总是 Bayes 估计？
给 AI 的高质量提示词
请求出这个后验分布的 MAP 估计，并比较它和 MLE、后验均值的区别。