一句话定义：最大后验估计（Maximum A Posteriori, MAP）是在看到数据后，选一个让“后验概率”最大的参数值作为估计。它等于在AI 词典：最大似然估计">最大似然估计上乘一个先验，做一次加权折中。
先看最大似然估计（Maximum Likelihood Estimation, MLE）：只问“哪个参数最能解释我手上的数据”。比如抛硬币 3 次全是正面，MLE 会认为正面概率是 1。数据太少时，这种估计很容易走极端。
MAP 多问一句：“在看数据之前，我本来觉得参数应该长什么样？”这就是先验（prior）。用公式说：
后验 ∝ 似然 × 先验
取对数后：
log 后验 = log 似然 + log 先验
所以最大化后验，等于在最大化似然的同时，再加一项“先验得分”。这一项在工程上常常就是正则项。
打个比方：找钥匙。MLE 只根据“你最后在哪见过钥匙”来找，哪个位置最能解释线索就去哪。MAP 还会考虑你平时放钥匙的习惯——大概率在门口挂钩。线索很弱时，习惯（先验）主导；线索很强时，现场证据主导。先验越强，估计越偏向先验。比如先验认为硬币通常接近公平，那么 3 次全正面时，MAP 不会直接给出 1，而是往 0.5 拉一点；如果先验非常强，就拉得更多。
这也是 MAP 和 MLE 的关键区别：MLE 没有先验，完全由数据决定；MAP 有先验，是数据和先验的折中。数据越多，似然越强，先验影响越小，MAP 会趋近 MLE。
| 概念 | 优化目标 | 是否用先验 | 结果特点 |
|---|---|---|---|
| MLE | log 似然 | 否 | 数据少时易过拟合、走极端 |
| MAP | log 似然 + log 先验 | 是 | 更稳，但先验太强会带偏 |
| 完整贝叶斯推断 | 整个后验分布 | 是 | 能表达不确定性，计算通常更重 |
还要注意：MAP 是点估计，只给一个参数值；完整贝叶斯推断（Bayesian inference）保留整个后验分布。MAP 取的是后验分布的众数，不一定是后验均值。
对 AI 从业者来说，MAP 是理解正则化的钥匙。高斯先验（Gaussian prior）对应 L2 正则，拉普拉斯先验（Laplace prior）对应 L1 正则；先验方差越小，等价于正则越强，参数越被拉向先验中心。小样本、冷启动、稀疏建模时，先验能防止过拟合；但先验太强也会欠拟合。实际调参时，正则强度往往就是在调“先验有多强”，具体实现以所用框架文档为准。