您可以将 MAP 视为 ML 的正则化。
就像您对最小二乘问题进行正则化一样（它们大部分可以构建为 MAP 问题）。

好消息是，一如既往，最好的正则化是更多的数据，也就是说，在大多数情况下，当有很多数据发生冲突时（即，后验 PDF 的敏感性较低）。

因此，它们主要在（相对）少量数据时有所不同。
现在，当您拥有少量数据并且您对要估计的参数一无所知时，ML 是您的最佳选择。
如果您的数据量很少但有一些关于它的先验知识或合理的假设，请将这些假设作为正则化。
努力并以后验 PDF 形式描述这些知识甚至是件好事。

更新

找到关于该主题的非常好的教程 -关于先验和过度拟合的真相。

最大后验 (MAP) 与最大似然估计 (MLE) 相同，但贝叶斯先验分布在您尝试估计的任何内容上除外。因此，如果您有关于点扩散函数分布的先验信息，那么 MAP 会更好地工作。