我想在伯努利分佈的混合情況下寫下EM的MAP更新。MAP期望混合模型的最大化
我知道，對於ML估計，我們有：
E-step: compute P(Z|X,p,t)
M-Step: (p,t)<-argmax sum(over Z): p(Z|X,p,t)log p(X,Z|p,t)
其中P是每一類向量參數（其中K，每種尺寸d的，其中K爲類和d是多少特徵數量）和t是每個類別的多項參數。
但是，如何獲得MAP估計？ p（X）是什麼？...？
據 「機器學習 - 甲概率視角」 由Kevin P.墨菲頁350：
在M步驟中，我們相對於優化Q函數（輔助功能）對θ：
theta^t = argmax_theta Q(theta,theta^{t-1})
這是ML，以及執行MAP估計相反，我們修改M個步驟如下
theta^t = argmax_theta Q(theta,theta^{t-1})+log(p(theta))
theta是參數和θ^ {T-1}是先前的應用程序roximation的參數和theta^t是當前。
其中Q是
Q(theta,theta^{t-1}) = E[logL(theta)|Data,theta^{t-1}]
電子步保持不變
所以基本上ML和MAP之間的區別是添加日誌（P（THETA））內argmax這是之前的日誌的參數。
對於具體的示例，其中先驗概率P（THETA）是β（α，β）分佈可以參考我的最後分配的答案在這裏：assignment
應該直截了當地使用之前的或離開它在一般的事先。