パラメトリックとは、データが従う確率分布の形状をあらかじめパラメータで仮定してモデル化する手法や特性のことです。機械学習や統計学において、計算効率が高い一方で、仮定が誤っていると予測精度が低下する特性を持ちます。
パラメトリックとは
一言でいうと、あらかじめ決めた数式やパラメータにデータを当てはめてモデルを作る考え方です。
詳しく解説
パラメトリックモデルでは、対象とするデータが特定の確率分布（例えば正規分布など）に従うと仮定し、その分布の形状を決めるためのパラメータ（平均や分散など）を推定します。人工知能や機械学習の分野では、線形回帰やロジスティック回帰などが代表的なパラメトリックモデルです。モデルの構造が事前に固定されているため、少ないデータ量でも効率的に学習できるという重要なメリットがあります。
具体例・使われ方
例えば、住宅の価格を予測する際に、広さや築年数と価格の関係が「線形（直線）」であると最初から仮定して重みパラメータを学習させるケースが挙げられます。また、画像分類タスクの事前確率の計算において正規分布を仮定する場合にもパラメトリックな手法が使われます。
似た用語との違い
データが従う分布を仮定せず、データの数に応じて柔軟にモデルの構造が変わるノンパラメトリック手法と対比されます。パラメータ数が固定されているパラメトリックに対して、ノンパラメトリックな手法はより複雑なパターンに対応できますが、多くのデータと計算量が必要になります。
注意点
現実のデータが仮定した確率分布の形状に適合していない場合、モデルのバイアスが大きくなり、十分な予測性能が得られないという限界があります。事前の仮定が正しいか検証することが注意点となります。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年9月3日 23:51