点推定とは、統計学や機械学習において、母集団の未知のパラメータ（平均や分散など）を、サンプルデータから得られた単一の数値（点）として推定する手法です。モデルの重みの最適化やパラメータチューニングなど、AI開発の多くの場面で基礎となる手法ですが、推定値の不確実性（誤差の範囲）を評価できないという特徴もあります。
点推定とは
点推定とは、限られた標本（サンプルデータ）から、母集団全体の性質を表す「母数（パラメータ）」を、幅を持たせずに「単一の具体的な数値」として決定する統計的な手法です。
詳しく解説
統計学や機械学習では、すべてのデータ（母集団）にアクセスできないことが一般的です。そのため、手元にある一部のデータを用いて全体の性質を推測します。このとき、最も尤もらしいと思われる値を1つの値（点）として算出するのが点推定です。代表的な点推定のアルゴリズムには、与えられたデータが得られる確率を最大化する「最尤推定」や、事前に得られている知見を加味して推定する「最大事後確率推定」などがあります。機械学習においては、ニューラルネットワークのパラメータ（重みやバイアス）を最適化によって特定するプロセスも、広い意味での点推定にあたります。
具体例・使われ方
1. 機械学習における「モデルの重み決定」：損失関数を最小化するように、モデルの重みパラメータの最適な1点を探索すること。
2. A/Bテストでの効果測定：新機能のクリック率について、テスト参加者のデータから「3.5%」という具体的な1つの値を予測すること。
3. センサーデータの予測：計測された複数の気温データから、現在の実際の気温を「22.5℃」と単一の値で推測すること。
似た用語との違い
「区間推定」との違い：
点推定が「3.5%」のように1つの代表値のみを提示するのに対し、区間推定は「信頼区間」や「信用区間」を用いて「95%の確率で、3.2%から3.8%の間にある」というように、推定値に幅（区間）を持たせて提示します。点推定はシンプルで直感的に扱いやすい一方、区間推定は推定値の信頼性やばらつき（不確実性）を明示的に評価できるという違いがあります。
注意点
点推定は、算出された単一の数値が「完全に正しい」という保証はありません。サンプルサイズが小さい場合、外れ値の影響を強く受けて推定値が大きく歪む可能性があります。また、どれだけその推定値の信頼性が高いか（誤差の大きさがどの程度か）という「不確実性」についての情報を単独では持ち得ません。そのため、意思決定の際には、点推定の結果を過信せず、区間推定を併用して不確実性を評価することが重要です。