非参数估计与参数估计的区别，以及详细列举了常用的非参数估计方法和参数估计方法，一网打尽非参数估计与参数估计!!!

前言

非参数估计和参数估计是统计学中的两种不同的估计方法。

一、非参数估计与参数估计的区别

参数估计是指，对于已知分布形式的数据，根据样本数据推断出分布的参数值。例如正态分布的参数估计中，已知数据符合正态分布，但是其均值和方差未知，因此可以通过样本数据推断出正态分布的均值和方差。参数估计的优点在于可以使用已有的分布形式进行推断，并且可以通过极大似然估计等方法获得较准确的参数估计值。缺点在于该方法需要对样本数据分布形式进行严格的假设，并且对于不符合假设分布形式的数据，可能需要使用其他方法进行处理。

非参数估计则不依赖于已知分布形式，即在未知分布形式的情况下，对于样本数据，通过某些方法推断出其分布情况。例如，KDE方法就是一种常用的非参数密度估计方法，可以在未知数据分布形式的情况下，通过样本数据估计出其密度分布并进行分析。非参数估计的优点在于可以用于各种数据分布形式的估计，具有较高的灵活性，但是可能需要更多的样本数据进行推断，并且可能会产生过度拟合或欠拟合等问题。

二、常用的非参数估计方法

1. 核密度估计（KDE）：利用核函数在数据空间中对数据进行平滑化，从而估计密度函数的一种方法。

2. 最邻近估计（KNN）：通过寻找最邻近的数据点，根据这些最邻近数据点来估计目标点的值。

3. 分位数回归（Quantile Regression）：估计因变量在不同条件下的特定分位数，而不是均值。

4. 局部回归（Locally Weighted Regression, LWR）：利用加权回归的方法来估计目标点附近加权平均值。</