最大后验估计（MAP） 最大后验估计（MAP）

Maximum a Posteriori estimation MAP被视为机器学习与统计学领域中几种参数点估计算法中应用最广泛的算法之一。其理论基础源自贝叶斯定理，在具体实现上通常需要结合优化算法来完成对模型参数的求解过程。在概率框架下进行建模时，我们需要明确表达式P(\theta | x) = \frac{P(x|\theta)P(\theta)}{P(x)}的具体含义以及其实现细节。

其中，在贝叶斯统计学中，我们称P(\theta)为先验概率，并基于这些先前经验和推断来评估未来事件的概率。
经过某事件x的发生后，则将其条件概率P(\theta | x)定义为后验概率，并通过分析这些原因来确定发生的原因。

P(x | \theta)就是极大似然估计MLE的例子。

贝叶斯分类器主要依据先验概率以及通过贝叶斯公式计算出各个分类的具体后验概率来实现识别过程。通过比较各个后验概率值来确定具有最大可能性的分类结果。

贝叶斯公式即为：
后验概率 = \frac{似然函数 \times 先验概率}{数据分布}

最大后验估计MAP，就是将后验概率取得最大值时待估计参数\theta的值\theta^` 作为参数的点估计。
这里P(X)与参数\theta没有关系，因此，我们只要求分子最大即可。即：
$\hat{\thet