パラメトリックモデルとは、データの構造をあらかじめ特定の数式で仮定し、固定された有限個の「パラメータ」を用いて予測や分類を行う機械学習および統計学のモデルです。データ量が増加してもモデルの規模（パラメータ数）が変化しないため、計算が高速で解釈性が高いという利点がありますが、仮定が現実とズレていると精度が低下する限界もあります。
パラメトリックモデルとは
パラメトリックモデルとは、データの分布や関係性を表すために、あらかじめ固定された数（有限個）の「パラメータ」を用いて定義される機械学習および統計学のモデルです。
詳しく解説
このモデルは、データの背後にある構造を特定の数式（関数形式）で仮定します。学習プロセスとは、データに最も適合するようにこれらのパラメータの値を調整・決定することです。データ量がどれだけ増えても、モデルが持つパラメータの総数は変化しない（固定されている）点が特徴です。計算コストが低く、予測スピードが速いこと、そしてモデルの解釈性が高いことが重要視されます。代表的なものに「線形回帰」やロジスティック回帰、さらには層の数やノード数が固定された「ニューラルネットワーク」などがあります。
具体例・使われ方
例えば、売上予測において「売上 ＝ a × 広告費 ＋ b」という数式を仮定する場合、aとbがパラメータに該当し、このモデルはパラメトリックモデルとなります。一度aとbの値が決定されれば、過去の膨大なデータをすべて保存しておく必要はなく、このシンプルな数式だけで新しい広告費に対する売上予測を瞬時に計算できます。
似た用語との違い
混同されやすい概念として「ノンパラメトリックモデル」があります。ノンパラメトリックモデルは、データの構造を事前に関数として仮定せず、データの規模や複雑さに応じてパラメータの数が柔軟に変化するモデルです。例えば、k近傍法（k-NN）や決定木などがこれに該当します。ノンパラメトリックモデルは柔軟性が高い反面、データ量が増えると計算量やメモリ消費が急増しますが、パラメトリックモデルはデータ量が増えてもモデルのサイズが一定に保たれるという違いがあります。
注意点
パラメトリックモデルの最大の限界は、あらかじめ仮定した数式（前提条件）が実際のデータ分布と大きく異なっている場合、高い予測精度が得られない点です。これをモデルの表現力が低い状態と呼び、複雑な現象に対して単純すぎるモデルを適用すると、適切な学習が困難になります。一方で、モデルを複雑にしすぎると「過学習」を引き起こすリスクもあり、前提となる仮定の妥当性を慎重に評価する必要があります。