パラメトリック手法とは、データが従う確率分布の形をあらかじめ仮定して分析や学習を行う手法です。モデルのパラメータを推定することで予測や分類を行い、計算効率が良い一方で、仮定が現実と異なる場合に精度が低下する制約があります。
パラメトリック手法とは
一言でいうと、あらかじめ決めた数式モデルのパラメータ（係数など）を調整することでデータを説明・予測する手法のことです。
詳しく解説
パラメトリック手法では、データが特定の確率分布（例えば正規分布など）に従っていると仮定します。この仮定を置くことで、推定すべきパラメータの数がデータ量によらず有限に固定され、少量のデータからでも効率的にモデルを学習できるという特徴があります。機械学習や統計学の分野において、線形回帰やロジスティック回帰などは代表的なパラメトリック手法であり、解釈性が高く計算コストも比較的低いことから広く活用されています。
具体例・使われ方
具体的な利用例として、住宅価格の予測が挙げられます。床面積や築年数といった特徴量と価格の関係を線形モデル（直線の方程式）と仮定し、過去のデータから最適な係数（パラメータ）を求めて未知の住宅価格を予測します。また、画像分類の前処理や、特定のノイズ除去モデルの構築などにおいても利用されています。
似た用語との違い
データが従う分布の形を仮定せず、データの数に応じてモデルの複雑さが柔軟に変わる「ノンパラメトリック手法」とは対比的な関係にあります。ノンパラメトリック手法がより複雑なデータに対応できる一方、パラメトリック手法は前提条件が合致していれば高い汎化性能と効率性を発揮します。
注意点
最大の注意点は、実際のデータ分布が事前の仮定から外れている場合にモデルの性能が著しく低下する点です。誤った仮定に基づいた分析を行うと、バイアスの大きな結果となり、未知のデータに対する予測精度が損なわれるリスクがあるため、事前のデータ確認が重要となります。