2nd/10_Wiki/Topic_Programming/AI_and_ML/MAP-Estimation.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	verification_status	tags	raw_sources	last_reinforced	github_commit	tech_stack
wiki-2026-0508-map-estimation	MAP Estimation (Maximum A Posteriori)	10_Wiki/Topics	verified	self	MAP Maximum A Posteriori MAP 추정	none	A	0.9	applied	bayesian estimation mle prior regularization statistics		2026-05-10	pending	language framework python numpy-pymc-pytorch

MAP Estimation (Maximum A Posteriori)

매 한 줄

"매 사전 지식 + 매 데이터 = 매 사후 최댓값". MAP 은 prior p(\theta) 와 likelihood p(D|\theta) 를 곱한 posterior 를 최대화하는 점추정이며, log-prior 가 정규화 항으로 들어가 MLE + regularization 과 동등하다.

매 핵심

매 정의

\hat\theta_{MAP} = \arg\max_\theta p(\theta|D) = \arg\max_\theta p(D|\theta)\, p(\theta)

log 형태:

\hat\theta_{MAP} = \arg\max_\theta \big[ \log p(D|\theta) + \log p(\theta) \big]

매 MLE 와의 관계

• MLE: \arg\max p(D|\theta) — prior 없음 (또는 uniform).
• MAP: MLE + log-prior 정규화 항.
• 데이터가 많아질수록 likelihood dominant → MAP → MLE 수렴.
• 데이터가 적을 때 prior 의 영향 큼 (smoothing).

매 정규화 등가성

1. Gaussian prior \theta \sim \mathcal{N}(0, \sigma^2) → -\frac{1}{2\sigma^2}\|\theta\|^2 → L2 (Ridge).
2. Laplace prior \theta \sim \text{Lap}(0, b) → -\frac{1}{b}|\theta| → L1 (Lasso).
3. Beta prior for Bernoulli → Laplace smoothing (additive +α).
4. Dirichlet prior for categorical → multinomial smoothing.

매 vs Full Bayesian

• MAP = posterior 의 mode (점추정), 불확실성 X.
• Full Bayes = 전체 분포 (MCMC, VI), 예측에 평균/적분.
• MAP 은 빠르고 단순, 비대칭 분포에서는 mode 가 mean 과 크게 다름.

💻 패턴

1. Coin flip — Beta prior

import numpy as np
heads, tails = 7, 3
# Beta(α, β) prior, posterior = Beta(α+h, β+t)
alpha, beta = 2, 2
mode_map = (alpha + heads - 1) / (alpha + beta + heads + tails - 2)
mle = heads / (heads + tails)
print(mle, mode_map)        # 0.7  vs 0.6818

2. Linear regression: Ridge = MAP w/ Gaussian prior

from sklearn.linear_model import Ridge
ridge = Ridge(alpha=1.0)            # alpha = 1/(2σ²) on weights
ridge.fit(X, y)

가중치 prior \mathcal{N}(0,\sigma^2 I), noise prior 별도 → closed-form MAP = Ridge.

3. Logistic regression: L2 = MAP

from sklearn.linear_model import LogisticRegression
LogisticRegression(penalty="l2", C=1.0).fit(X, y)   # C=1/λ

4. PyMC explicit MAP

import pymc as pm, numpy as np
with pm.Model() as m:
    mu = pm.Normal("mu", 0, 10)
    sigma = pm.HalfNormal("sigma", 1)
    pm.Normal("obs", mu=mu, sigma=sigma, observed=data)
    map_est = pm.find_MAP()

5. PyTorch MAP via SGD

loss = nll(model(x), y) + 0.5 * lam * sum((p**2).sum() for p in model.parameters())
loss.backward(); opt.step()
# lam = 1/σ²(prior) — Gaussian prior MAP

6. Laplace smoothing in NB classifier

P_w_given_c = (count_wc + 1) / (count_c + V)   # Dirichlet(1,..,1) prior

7. Kalman filter 의 update 단계 = MAP

# prior  : N(x_pred, P_pred)
# likeli : N(z; H x, R)
# posterior mode = MAP = standard KF update

매 결정 기준

상황	Estimator
데이터 많음, prior 약함	MLE
데이터 적음, 사전 지식 있음	MAP
정규화 필요	MAP (Gaussian/Laplace prior)
불확실성 정량화 필요	Full Bayes (posterior 전체)
빠른 점추정 + smoothing	MAP

기본값: MLE 가 overfit 위험이거나 sparse 데이터면 MAP, 의사결정에 불확실성이 중요하면 full Bayes.

🔗 Graph

• 부모: Bayesian Inference
• 변형: Variational-Inference, MCMC
• 응용: Ridge-Regression, Lasso, Naive-Bayes, Kalman-Filter-and-State-Tracking
• Adjacent: L1-and-L2-Regularization

🤖 LLM 활용

언제: prior ↔ regularizer 매핑 설명, MAP 수식 derive, 작은 코드 스니펫. 언제 X: 비표준 prior 의 polynomial-time 풀이 (보통 sampling 필요).

❌ 안티패턴

• prior 를 reparametrize 하면 MAP mode 가 변한다 — invariance 없음 (MLE 는 변함, posterior 평균은 더 안정).
• 강한 prior + 적은 데이터 → 실제 신호 묻힘.
• MAP 점추정으로 의사결정 후 불확실성 무시.
• 비대칭/다봉 posterior 에서 mode 만 보고 결론.
• 균등 prior 를 무한 구간에 부여 — improper, 정규화 안 됨.

🧪 검증 / 중복

• Verified. 신뢰도 A.

🕓 Changelog

날짜	변경
2026-05-08	Phase 1
2026-05-10	Manual cleanup