🤔 Что такое map оценка?

Это метод в байесовской статистике для нахождения оценки параметра вероятностной модели, который максимизирует апостериорную вероятность данного параметра после учёта данных и априорного распределения этого параметра. Это расширение метода максимизации правдоподобия (MLE), учитывающее предварительные знания о параметрах в виде априорного распределения.

🚩Как он работает

🟠Априорное распределение
В отличие от MLE, где используется только функция правдоподобия, MAP начинается с задания априорного распределения для параметров. Это распределение отражает наши предварительные знания или убеждения относительно параметров до учёта наблюдаемых данных.

🟠Функция правдоподобия
Как и в MLE, используется функция правдоподобия, представляющая вероятность наблюдать данные при заданных параметрах.

🟠Апостериорное распределение
Апостериорное распределение параметра вычисляется на основе теоремы Байеса, которая связывает априорное распределение и функцию правдоподобия:
p(\theta | X) = \frac{p(X | \theta) \cdot p(\theta)}{p(X)}
где \( p(\theta | X) \) — апостериорное распределение, \( p(X | \theta) \) — функция правдоподобия, \( p(\theta) \) — априорное распределение, \( p(X) \) — вероятность данных (обычно выступает как нормализующий множитель).

🟠Максимизация апостериорного распределения
MAP оценка параметра \( \theta \) находится путём максимизации апостериорного распределения. Это оценка параметра, при которой апостериорное распределение достигает максимального значения.

Ставь 👍 и забирай 📚 Базу знаний