カーネル密度推定とは？データ分布を滑らかに可視化する手法と帯域幅の選び方を解説

カーネル密度推定とは

カーネル密度推定（KDE: Kernel Density Estimation）とは、観測データから確率密度関数を滑らかな曲線として推定するノンパラメトリック手法です。ヒストグラムがビン（区間）の取り方に依存して見え方が変わるのに対し、KDEは連続的で滑らかな分布の形状を描き出します。

各データ点に「カーネル」と呼ばれるベル型の関数を置き、すべてのカーネルを足し合わせて全体の密度曲線を構成します。データが密集している領域ではカーネルが重なり合い、密度が高く推定されます。

コンサルティングの現場では、顧客の購買金額分布、商品のリードタイム分布、アクセス時間の分布など、データの分布形状を直感的に把握したい場面が多くあります。KDEはこうした可視化を、ヒストグラムよりも滑らかで解釈しやすい形で提供します。

構成要素

カーネル関数

各データ点に配置される関数です。代表的なカーネル関数には以下があります。

カーネル	特徴	使用頻度
ガウスカーネル	正規分布の形状、滑らか	最も一般的
エパネチニコフカーネル	有限範囲、理論的に最適	計算効率重視
三角カーネル	線形減衰、シンプル	教育用途

実務ではガウスカーネルが最も広く使われます。カーネル関数の選択は推定結果にほとんど影響せず、帯域幅の選択の方がはるかに重要です。

帯域幅（バンド幅）

カーネルの「幅」を決めるパラメータです。KDEの結果に最も大きな影響を与えます。

• 帯域幅が小さい: データの細かな変動を捉えるが、ノイズに過敏になる（過適合）
• 帯域幅が大きい: 全体の傾向を滑らかに示すが、分布の特徴が潰れる（過平滑）

帯域幅の選択方法

• シルバーマンの法則: データの標準偏差とサンプルサイズから自動算出する経験則です。単峰性の分布で良好に機能します
• スコットの法則: シルバーマンの法則に似た経験則です。正規分布に近いデータで適切です
• クロスバリデーション: データを分割して予測精度を最大化する帯域幅を選びます。多峰性の分布にも対応できます

ヒストグラムとの違い

特性	ヒストグラム	KDE
連続性	不連続（階段状）	連続（滑らか）
ビンの影響	ビン幅と開始点で形が変わる	帯域幅のみで制御
多峰性の検出	ビン設定に依存	帯域幅次第で明瞭
密度の読み取り	面積から間接的に	曲線の高さで直接

実践的な使い方

ステップ1: データの概要を把握する

まずデータのサンプルサイズ、範囲、外れ値の有無を確認します。サンプルサイズが極端に小さい（20未満）場合、KDEの推定精度は限られるため、ヒストグラムやストリッププロットとの併用を検討します。

ステップ2: KDEを描画する

Pythonではseaborn（sns.kdeplot）やscipy（gaussian_kde）、Rではdensity関数で簡単に描画できます。まずはデフォルトの帯域幅で全体の形を確認します。

ステップ3: 帯域幅を調整する

デフォルトの結果が過平滑や過適合に見える場合、帯域幅を手動で調整します。複数の帯域幅で描画して比較することで、データの特徴を最もよく表現する設定を見つけます。

ステップ4: ヒストグラムと重ねて確認する

KDE単体だと実際のデータの密度感が伝わりにくい場合があります。ヒストグラムの上にKDE曲線を重ねて表示すると、生データのばらつきと推定曲線の関係が明確になります。

ステップ5: 分析結果を解釈してビジネスに活かす

「購買金額の分布は2000円付近にピークがあり、8000円付近にも小さなピークがある二峰性の分布です。2つの顧客層が混在している可能性があります」のように、分布の形状から示唆を導きます。

活用場面

• 顧客行動の分布分析: 購買金額、サイト滞在時間、来店間隔などの分布形状を把握し、セグメンテーションの手がかりにします
• 品質管理: 製品の寸法や重量の分布を可視化し、規格値との関係を確認します
• 需要予測の前処理: 需要データの分布形状を把握し、予測モデルの前提（正規性など）を確認します
• 比較分析: 2つの群（施策前後、セグメント間など）の分布を重ねて描画し、分布全体の違いを視覚的に比較します
• 異常検知の補助: データの密度が極端に低い領域を特定し、異常値の候補を視覚的にスクリーニングします

注意点

帯域幅の選択が結果を大きく左右する

帯域幅が不適切だと、存在しないピークを作り出したり（過小帯域幅）、実在する峰を潰したりします（過大帯域幅）。複数の帯域幅で比較検証することが重要です。

境界効果に注意する

データの範囲に自然な境界がある場合（金額は0以上など）、KDEは境界の外側にも密度を推定してしまいます。対数変換や境界補正付きKDEで対処できます。

多次元への拡張は注意が必要

2次元以上のKDEは「次元の呪い」により精度が低下しやすくなります。次元が上がるとデータ点間の距離が拡散し、推定に必要なサンプルサイズが指数的に増加します。

推定値は確率密度であり確率ではない

KDEの縦軸は確率密度（面積が確率になる）であり、特定のx値での曲線の高さが確率を意味するわけではありません。区間の面積として解釈する必要があります。

まとめ

カーネル密度推定は、データの分布を滑らかな曲線で推定する直感的な可視化手法です。帯域幅の適切な選択がKDEの品質を左右する最も重要な要素であり、シルバーマンの法則やクロスバリデーションを活用して最適な設定を見つけることが実践の鍵です。ヒストグラムとの併用や複数帯域幅での比較を通じて、データの分布形状から実務に役立つ洞察を引き出すことができます。