В конкретном случае пространство параметров конечна или счетное Θ = { & thetas ; 1 , & thetas ; 2 , ... } задняя потери , связанные с потерей индикатора равна вероятности того , чтобы быть неправильно P ( & thetas ; ≠ & thetas ; | х ) и она сводится к минимуму , когда апостериорная вероятность того , чтобы быть правильно Р ( & thetas ; = & thetas ; | х ) достигает максимума. Это означает , что θΘ
Θ={θ1,θ2,…}
P(θ^≠θ|x)P(θ^=θ|x)θ^ является режимом апостериорного распределения или карты.
Тем не менее, эта ассоциация МАП и потеря является «народная теорема» в том , что это неверно в большинстве настроек, то есть, она не имеет места для непрерывных параметров пространства , где P ( θ = θ | х ) = 0 для всех θ «s и это дальнейшие конфликты с результатами Druihlet и Marin (BA, 2007), которые указывают на то , что ПДЧ в конечном счете , зависит от выбора меры доминирующей. (Даже если мера Лебега неявно выбрана по умолчанию.)0−1P(θ^=θ|x)=0θ^
L(θ,d)=I{Ψ(θ)≠d)/πΨ(Ψ(θ))
L(θ,d)=I{Ψ(θ)≠d}/max{η,πΨ(Ψ(θ))}
maxψπψ(ψ|x)/πψ(θ)
πψ(ψ|x)/πψ(θ)=f(x|ψ)/m(x)
f(x|ψ)=∫{θ;Ψ(θ)=ψ}f(x|θ)π(θ)dθ
m(x)=∫f(x|θ)π(θ)dθ
Роберт Бассетт и Хулио Дериде в 2016 году опубликовали статью, в которой обсуждается положение MAP в байесовской теории принятия решений.
«… Мы приводим контрпример к общепринятому представлению об оценках MAP в качестве предела оценок Байеса с потерей 0-1».
Авторы упоминают мою книгу «Байесовский выбор» указанием этого свойства без каких-либо дополнительных мер предосторожности, и я полностью согласен с тем, чтобы быть небрежным в этом отношении! Сложность заключается в том, что предел максимизаторов не обязательно является максимизатором лимита. В документе приведен пример этого эффекта, с априорной, как указано выше, связанной с распределением выборки, которое не зависит от параметра. Предложенные достаточные условия заключаются в том, что задняя плотность почти наверняка является правильной или квазивогнутой.
||K(u^−u)||2+2Dπ(u^,u)
производит MAP в качестве байесовской оценки. Можно все еще задаться вопросом о доминирующей мере, но как функция потерь, так и полученная оценка явно зависят от выбора доминирующей меры… (потеря зависит от предыдущей, но это не является недостатком как таковым).