• 本文历次修订后全长 2万8000余字，受到 CSDN 博文字数限制，故切分两篇发布，所以现在是两文看懂了… 前篇介绍参数估计背景和极大似然估计；本篇介绍最大后验估计和两种方法对比
• 请务必先看前文：一文看懂 “极大似然估计” 与 “最大后验估计” —— 极大似然估计篇

---

4. 最大后验估计（MAP）

• 考虑这个问题：贾跃亭老板下周回国的概率为多少？如果从频率派的角度看，因为贾老板跑路后从未回国，只要他不回来，概率就始终为0；但事实上贾老板下周回国的概率可能只是很小而非零，若哪天他的造车计划大获成功或者乐视网情况转好，其回国的可能性还会大大提升，这就比较符合贝叶斯学派的观点。 频率派的一个问题，就是在小的的观测数据集下，最大化似然函数值的方法容易与观测数据过度拟合
• 记贾老板下周回国为事件 $\Theta$，现在我们认为这是一个小概率事件，概率为小量 $p(\Theta )$，可以看作一种先验知识。随着时间的推移，发生了事件$X$，比如法拉第新车开始量产，或者法拉第资金链断裂，这时贾老板回国的可能性就会变化，对 $\Theta$ 的估计也应当有相应调整，变成后验概率 $p(\Theta |X)$
• 最大后验估计寻求使后验概率最大的参数值，相比最大似然估计，这种方法融入了要估计量的先验分布。先验概率包含了人们根据以往经验对事件的一些初步认识，当某些事件 $X$ 发生后，会影响人们原来的认识，贝叶斯公式可以对事件先验概率进行修正，得到事件的后验概率
• 最大后验估计的示意图如下
  

4.1 后验概率密度

• 利用贝叶斯公式，可以得到先验概率 $p(\theta )$ 和 后验概率 $p(\theta |x)$ 之间的关系如下
  $$p(\theta |x)=\frac{p(\theta ,x)}{p(x)}=\frac{p(\theta )p(x|\theta )}{p(x)}$$ 这个公式提供了利用先验概率 $p(\theta )$ 和条件概率函数值 $p(x|\theta )$ 来计算后验概率 $p(\theta |x)$ 的方法
• 在后验概率公式中，分母 $p(x)={\int }_{\theta }p(x|\theta )p(\theta )d\theta$，由于对 $\theta$ 所在的参数空间整体进行了积分，因此不影响，有
  $$p(\theta |x)\propto p(\theta )p(x|\theta )$$ 可见，当事件 $x$ 发生时，最大后验估计通过条件概率函数值 $p(x|\theta )$ 对先验 $p(\theta )$ 进行修正。经过整个数据集 $\mathcal{D}$ 的修正后，后验概率密度
  $$p(\theta |\mathcal{D})\propto p(\theta )p(\mathcal{D}|\theta )$$ 将在合理的估计值 $\hat{\theta }$ 位置形成尖峰
  
• 我们的目标是找出最大后验估计值 $\hat{\theta }$，即
  $$\begin{array}{rl}\hat{\theta }& =\underset{\theta }{\mathrm{argmax}}p(\theta |\mathcal{D})\\ & =\underset{\theta }{\mathrm{argmax}}\prod _{x_i\in \mathcal{D}}p(\theta )p(x_i|\theta )\\ & =\underset{\theta }{\mathrm{argmax}}[logp(\theta )+\sum _{x_i\in \mathcal{D}}logp(x_i|\theta )]\\ & =\underset{\theta }{\mathrm{argmin}}[-logp(\theta )-\sum _{x_i\in \mathcal{D}}logp(x_i|\theta )]\end{array}$$

4.2 样本条件概率密度 $p(X|\mathcal{D})$ （模型分布）

• 1.1 节中我们分析过，参数估计的目的是为了得到模型分布，即数据集条件下的样本分布 $p(X|\mathcal{D})$，这时我们必须明确 MAP 和 MLE 的区别
  1. MLE 中，参数 $\Theta$ 是一个定值，模型分布仅由其取值 $\theta$ 决定，而 $\theta$ 仅由数据集 $\mathcal{D}$ 决定，也就是只有一个样本条件概率密度 $p(X|\mathcal{D})=p(X|\Theta )$（似然函数）
  2. MAP 中，参数 $\Theta$ 是一个分布 $p(\Theta |\mathcal{D})$，$\hat{\Theta }$ 的每一个取值 $\hat{\theta }$ 都唯一地决定了一个模型分布，为了整体考虑需要对 $\theta$ 做积分，即 $p(X|\mathcal{D})=\int p(X,\theta |\mathcal{D})d\theta$，因此 MAP 方法最终往往要做一个复杂的积分
• 下面通过一个贝叶斯决策的例子说明 $p(X|\mathcal{D})$ 的作用

4.2.1 贝叶斯分类器

• 考虑构造一个贝叶斯分类器，使用贝叶斯公式计算 类后验概率 如下
  $$\begin{array}{rl}p(w_i|x,\mathcal{D})& =\frac{p(x|w_i,\mathcal{D})p(w_i|\mathcal{D})}{p(x)}\\ & =\frac{p(x|w_i,\mathcal{D})p(w_i|\mathcal{D})}{{\sum }_{j}p(x|w_j,\mathcal{D})p(w_j|\mathcal{D})}\end{array}$$ 贝叶斯分类器使用这个类后验概率密度函数预测任意样本 $x$ 的类别，下面化简符号

  1. 通常我们认为类先验概率可以事前得到，所以把 $p(w_i|\mathcal{D})$ 简写为 $p(w_i)$
  2. 像 1.1 节中一样将数据集 $\mathcal{D}$ 按样本类别划分为，并假设第 $i$ 类的样本对第 $j\ne i$ 类的类条件概率 $p(w_j|x,\mathcal{D})$ 没有任何影响，这样 $p(x|w_i,\mathcal{D})$ 就可以简化为 $p(x|w_i,{\mathcal{D}}_i)$

  符号化简后，上式变为
  $$p(w_i|x,\mathcal{D})=\frac{p(x|w_i,{\mathcal{D}}_i)p(w_i)}{{\sum }_{j}p(x|w_j,{\mathcal{D}}_j)p(w_j)}$$ 假设一共有 $c$ 个类别，这里计算类后验概率密度的核心是估计 $c$ 个类条件概率密度 $p(x|w_i,\mathcal{D})$，根据我们的假设，这里相当于处理 $c$ 个独立的问题，每个问题都在单一的类别下发生，形式为

  已知一组从 $p(X)$ 中 i.i.d 采样的样本 $\mathcal{D}$，估计条件概率 $p(X|\mathcal{D})$

4.2.2 联系参数后验概率密度 $p(\theta |\mathcal{D})$

• 考虑上一节最后提出的任意一个独立问题，基本目标是计算 $p(X|\mathcal{D})$，并且使得它尽量靠近 $p(X)$，这里可以把它表示为 $p(X,\theta |\mathcal{D})$ 的边缘概率密度，即
  $$\begin{array}{rl}p(X|\mathcal{D})& =\int p(X,\theta |\mathcal{D})d\theta \\ & =\int p(X|\theta ,\mathcal{D})p(\theta |\mathcal{D})d\theta \\ & =\int p(X|\theta )p(\theta |\mathcal{D})d\theta (测试样本X的选取和\mathcal{D}独立)\end{array}$$ 注意其中出现了 MAP 过程中得到的后验概率分布 $p(\theta |\mathcal{D})$。这是贝叶斯估计中最核心的公式，它将类条件概率密度 $p(X|\mathcal{D})$（注意这是 $p(X|w_i,\mathcal{D})$ 的简写）和未知参数的后验概率密度 $p(\theta |\mathcal{D})$ 联系起来。如果 MAP 的估计结果为 $\hat{\theta }$（即 $p(\theta |\mathcal{D})$ 在 $\hat{\theta }$ 处形成最显著的尖峰），且

  1. $p(X|\theta )$ 光滑
  2. $p(\theta |\mathcal{D})$ 积分拖尾的影响足够小（就是说 $p(\theta |\mathcal{D})$ 在 $\hat{\theta }$ 处足够尖锐）

  则可以如下估计类条件概率密度为 $$p(x|w_i,\mathcal{D})\approx p(x|w_i,\hat{\theta })$$ 当以上两条件不满足时，即我们对 $\hat{\theta }$ 的把握不是很强时，上面的式子指导我们应该对所有的 $\theta$ 求积分来得到满意的 $p(X|\mathcal{D})$ （注意其实是类条件概率密度 $p(x|w_i,{\mathcal{D}}_i)$ 的简写）

4.2.3 小结

• 欲基于贝叶斯估计方法构造贝叶斯分类器，一些基本假设如下

  1. 条件概率密度 $p(x|\Theta )$ 的数学形式完全已知，只是 $\Theta$ 取值 $\theta$ 未知
  2. 参数向量 $\Theta$ 的 先验概率 $p(\Theta )$ 包含了我们对 $\theta$ 的全部先验知识
  3. 其余的关于参数向量 $\Theta$ 的信息包含在 i.i.d 采样的数据集 $\mathcal{D}$ 中，他们都服从未知的概率密度函数 $p(X)$

  问题的核心在于计算后验概率密度函数 $p(\theta |\mathcal{D})$，一旦得到就能如下计算（类）后验概率
  $$p(X|\mathcal{D})=\int p(X|\theta )p(\theta |\mathcal{D})d\theta \text{\hspace{1em}(1)}$$ 根据贝叶斯公式，有
  $$p(\theta |\mathcal{D})=\frac{p(\mathcal{D}|\theta )p(\theta )}{\int p(\mathcal{D}|\theta )p(\theta )d\theta }\text{\hspace{1em}(2)}$$ 再利用样本间独立性假设，有
  $$p(\mathcal{D}|\theta )=\prod _{k=1}^{n}p(x_k|\theta )\text{\hspace{1em}(3)}$$ 这样就完成了对问题的正式解答。构造的贝叶斯分类器示意图如下
  

• 这里可以考虑和最大似然估计的关系

  1. 假设 $p(\mathcal{D}|\theta )$ 在 $\hat{\theta }$ 处有一个很尖的峰值
  2. 若先验概率 $p(\hat{\theta })$ 非零且在附近邻域变化不大，则根据等式 (2) ，$p(\hat{\theta }|\mathcal{D})$ 处也是一个峰值
  3. 则根据等式（1），$p(x|\mathcal{D})$ 将趋近于 $p(x|\hat{\theta })$，后者就是最大似然法优化的最大似然函数

4.3 最大后验估计的步骤

• 找出参数的最大后验估计
  1. 和最大似然估计步骤类似，先找出后验概率密度 $p(\theta |\mathcal{D})$ （或其正相关形式）的表示，然后通过令偏导数为 0 找出使后验概率最大的估计值 $\hat{\theta }$
  2. 有时我们也可以直接从数据集 $\mathcal{D}$ 中估计出先验概率 $p(\theta )$ 和条件概率函数 $p(\mathcal{D}|\theta )$，进而直接计算 $\hat{\theta }$ 各种取值下的后验概率（比如朴素贝叶斯），然后直接取最大即可
• 如有需要，可以进一步计算类条件概率密度构造贝叶斯分类器

4.4 示例

4.4.1 已知先验概率和条件概率

• 假设有5个袋子，每个袋子中都有无限饼干（樱桃或柠檬味），已知5个袋子中两种口味混合比例和被拿到的概率如下

  1. 10%概率拿到；樱桃100%
  2. 20%概率拿到；樱桃75% + 柠檬25%
  3. 40%概率拿到；樱桃50% + 柠檬50%
  4. 20%概率拿到；樱桃25% + 柠檬75%
  5. 10%概率拿到；柠檬100%

  现在从同一个袋子中连续拿到了两个柠檬饼干，那么这个袋子最可能是哪个袋子？

  分析：设 ${\theta }_i$ 表示拿到第 $i$ 个袋子，各个袋子被拿到的概率就是先验 $p({\theta }_i)$，我们需要根据事件 $X$：“连续从一个袋子中拿到两个饼干” 这件事在每个袋子中发生的似然性来调整它们。

• 设从第 $i$ 个袋子中拿出柠檬饼干的概率为 $p_i$，拿到第 $i$ 个袋子的概率为 $q_i$，根据后验概率公式，优化目标是：
  $$\begin{array}{rl}\underset{\theta }{\mathrm{argmax}}p(\theta |x)& =\underset{\theta }{\mathrm{argmax}}p({\theta }_i)p(X|{\theta }_i)\\ & =\underset{\theta }{\mathrm{argmax}}{q}_i\ast p_i^2\end{array}$$ 分别把五个袋子的数据带入，发现第4个袋子的后验概率最大，因此选择第4个袋子

4.4.2 朴素贝叶斯

• 朴素贝叶斯是一种基于最大后验估计的分类算法。设输入空间 $\mathcal{X}\in {\mathbb{R}}^n$ 为 $n$ 维向量集合，输出空间 Y = { c 1 , c 2 , . . . , c k } \mathcal{Y} = \{c_1,c_2,...,c_k\} Y={c1​,c2​,...,ck​}。$X,Y$ 分别是定义在 $\mathcal{X},\mathcal{Y}$ 上的随机向量/变量，从真实分布 $P(X,Y)$ 独立同分布地采样得到训练数据集 T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x N , y N } T = \{(\pmb{x}_1,y_1),(\pmb{x}_2,y_2),...,(\pmb{x}_N,y_N\} T={(xxx1​,y1​),(xxx2​,y2​),...,(xxxN​,yN​}
• 这是一种生成式方法，利用数据分布估计先验概率 $p(Y=c_k)$ 和条件概率函数 $p(X=x|Y=c_k)$，进而得到联合概率分布 $P(X,Y)$ 用于预测

  条件独立性假设：考察条件概率分布 $$P(X=x|Y=c_k)=P(X^{(1)}=x^{(1)},X^{(2)}=x^{(2)},...,X^{(n)}=x^{(n)}|Y=c_k),k=1,2,...K$$ 假设 $x^{(j)}$ 可取值有 $S_j$ 个，$j=1,2,...,n$，$Y$ 可取值有 $K$ 个，那么参数个数最多为 $K{\prod }_{j=1}^n{S}_j$，参数数量为指数级，因此直接估计 $P(X,Y)$ 是不可行的。为此朴素贝叶斯作了条件独立性假设，即
  $$\begin{array}{rl}P(X=x|Y=c_k)& =P(X^{(1)}=x^{(1)},....,X^{(n)}=x^{(n)}|Y=c_k)\\ & =\prod _{j=1}^{n}P(X^{(j)}=x^{(j)}|Y=c_k)\end{array}$$ ** **

• 得到联合分布 $P(X,Y)$ 后，就可以利用贝叶斯公式得到后验概率，再用 MAP 方式估计未见样本类别，即
  $$\begin{array}{rl}y=f(x\text{x}x)& =\underset{c_k}{\mathrm{argmax}}\frac{P(Y=c_k){\prod }_{j}P(X^{(j)}=x^{(j)}|Y=c_k)}{{\sum }_{k}P(Y=c_k){\prod }_{j}P(X^{(j)}=x^{(j)})|Y=c_k)}\\ & =\underset{c_k}{\mathrm{argmax}}P(Y=c_k)\prod _{j}P(X^{(j)}=x^{(j)}|Y=c_k)\end{array}k=1,2,...,K$$ 其中先验概率 $P(Y=c_k)$ 和样本每一维（特征）的条件概率 $P(X^{(j)}=a_{jl})$ 都使用极大似然估计方式估计得到，即
  $$P(Y=c_k)=\frac{{\sum }_{i=1}^{N}I(y_i=c_k)}{N}k=1,2,...,K$$ 设第 $j$ 个特征 $x^{(j)}$ 可能取值的集合为 { a j 1 , a j 2 , . . . , a j S j } \{a_{j1},a_{j2},...,a_{jS_j}\} {aj1​,aj2​,...,ajSj​​}，条件概率估计为
  $$\begin{gathered} P(X^{(j)}=a_{jl}|Y=c_k)=\frac{{\sum }_{i=1}^{N}I(x_i^{(j)}=a_{jl},y_i=c_k)}{{\sum }_{i=1}^{N}I(y_i=c_k)} \\ j=1,2,...,n;l=1,2,....,S_j;k=1,2,...,K \end{gathered}$$ 式中 $x_i^{(j)}$ 是第 $i$ 个样本的第 $j$ 个特征；$a_{jl}$ 是第 $j$ 个特征可能取的第 $l$ 个值
• 示例
  
  

5. MLE和MAP的联系

1. 看贝叶斯公式
   $$p(\Theta |X)=\frac{p(X|\Theta )p(\Theta )}{p(X)}$$ 随着数据量的增加，条件概率函数值 $p(X|\Theta )$ 对先验 $p(\Theta )$ 的修正越来越大，参数分布会越来越向数据靠拢，先验的影响力会越来越小。因此在数据量趋向无限时，MAP 得到的参数后验概率一般会收敛到狄拉克函数，这时 MLE 和 MAP 最终会得到相同的估计
   

2. 如果先验是均匀分布，则贝叶斯方法MAP等价于频率方法MLE，因为先验是均匀分布本质上表示对事物没有任何预判

3. 看最大后验估计的优化目标
   $$\hat{\theta }=\underset{\theta }{\mathrm{argmin}}[-logp(\theta )-\sum _{i=1}^{n}logp(x_i|\theta )]$$ 可见这里第二项 $\underset{\theta }{\mathrm{argmin}}{\sum }_{i=1}^{n}logp(x_i|\theta )$ 正是最大似然估计的优化目标 NLL，所以MLE和MAP在优化时的不同就是在于先验项 $-logp(\theta )$。如果我们假设先验是一个高斯分布，即
   $$p(\theta )=constant\times exp(-\frac{{\theta }^2}{2{\sigma }^2})$$于是有
   $$-logp(\theta )=constant+\frac{{\theta }^2}{2{\sigma }^2}$$ 可见，在MAP中使用一个高斯分布的先验等价于在MLE中使用一个L2正则项