Встречается на собеседованиях • сегодня

Что такое оценка апостериорного максимума (MAP)

MAP (Maximum A Posteriori) — это байесовский метод оценки параметров, который максимизирует апостериорное распределение. В отличие от MLE (Maximum Likelihood Estimation), MAP учитывает априорные знания о параметрах через априорное распределение. Формула:

$$\theta_{MAP} = \arg\max_{\theta} P(\theta | X) = \arg\max_{\theta} P(X | \theta) P(\theta)$$

Пример с кодом (Python, scipy):

python
from scipy.stats import norm, beta
import numpy as np

# Данные: 5 успехов из 10 испытаний
data = np.array([1, 0, 1, 1, 0, 1, 0, 0, 1, 0])

# Априорное распределение Beta(2, 2)
prior_alpha, prior_beta = 2, 2

# Функция для MAP оценки вероятности успеха
def map_estimate(data, alpha, beta):
    successes = data.sum()
    failures = len(data) - successes
    return (successes + alpha - 1) / (successes + failures + alpha + beta - 2)

map_prob = map_estimate(data, prior_alpha, prior_beta)
print(f"MAP оценка: {map_prob:.3f}")  # Вывод: ~0.545

Нюансы:

  • Выбор априора влияет на результат.
  • При большом объеме данных MAP сходится к MLE.
  • Для сложных моделей может потребоваться численная оптимизация.
Sophi
Софи собрала все вопросы. Тренируйся и получай
офферы быстрее!
Попробовать бесплатноArrow

Следующий вопрос

Это единственный вопрос по вашему фильтру

как отвечать на вопрос
пример собеседования
фреймворки на собеседовании
типичные вопросы junior
интервью вопросы и ответы