ലക്ഷ്യം അടിസ്ഥാനപരമായി MLE യുമായി സമാനമാണ്. $\theta$ പാരാമീറ്ററൈസ് ചെയ്ത $p({\mathbf{x}}_j|{\omega }_j)$ എന്ന മോഡൽ ഞങ്ങൾ അനുമാനിക്കുന്നു. ലേബൽ ചെയ്ത ഡാറ്റാസെറ്റ് $\mathcal{D}$ അടിസ്ഥാനമാക്കി ഒരു ഫീച്ചർ $\mathbf{x}$ നെ ചില ക്ലാസ് ${\omega }_j$ ലേക്ക് വർഗ്ഗീകരിക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു. MLE യിൽ, ഞങ്ങൾ ലൈക്ലിഹുഡ് പരമാവധി ആക്കാൻ ശ്രമിച്ചു:

MAP യിൽ, ഞങ്ങൾ പകരം എ പോസ്റ്റീരിയോറി പരമാവധി ആക്കുന്നു:

$p(\mathbf{\theta })$ ഒരു യൂണിഫോം ആണെങ്കിൽ, ${\hat{\mathbf{\theta }}}_{\text{MAP}}={\hat{\mathbf{\theta }}}_{\text{MLE}}$ എന്ന് ഞങ്ങൾ ഉടൻ തിരിച്ചറിയുന്നു.