概念:
在贝叶斯统计学中,最大后验(Maximum A Posteriori,MAP)估计可以利用经验数据获得对未观测量的点态估计。它与Fisher的最大似然估计(Maximum Likelihood,ML)方法相近,不同的是它扩充了优化的目标函数,其中融合了预估计量的先验分布信息,所以最大后验估计可以看作是正则化(regularized)的最大似然估计。
理解:
假设我们需要根据观察数据x估计没有观察到的总体参数θ,让f作为x的采样分布,这样f(x| θ)就是总体参数为θ时x的概率。函数即为似然函数,其估计就是θ的最大似然估计:
假设θ存在一个先验分布 g,这就允许我们将θ作为贝叶斯统计( en: Bayesian statistics)中的随机变量,这样θ的后验分布就是: