背景知識：概率密度，直觀的理解就是在某一個區間內，事件發生的次數的多少的問題，比如N(0，1)高斯分佈，就是取值在0的很小的區間的概率很高，至少比其他等寬的小區間要高。

引數估計要求明確引數服從什麼分佈，明確模型的具體形式，然後給出引數的估計值。根據從總體中抽取的樣本估計總體分佈中包含的未知引數。

非引數估計對解釋變數的分佈狀況與模型的具體形式不做具體規定 ，運用核密度函式與窗寬去逐步逼近，找出相應的模型。統計學中常見的一些典型分佈形式不總是能夠擬合實際中的分佈。此外，在許多實際問題中經常遇到多峰分佈的情況，這就迫使必須用樣本來推斷總體分佈，常見的總體類條件概率密度估計方法有Parzen窗法和Kn近鄰法兩種。
非引數估計也有人將其稱之為無參密度估計，它是一種對先驗知識要求最少，完全依靠訓練資料進行估計，而且可以用於任意形狀密度估計的方法。

最簡單的直方圖估計，把所有可能取值的範圍分成間隔相等的區間，然後看每個區間內有多少個數據？這樣就定義出了直方圖，因此直方圖就是概率密度估計的最原始的模型。
直方圖用的是矩形來表示縱軸，當樣本在某個小區間被觀測到，縱軸就加上一個小矩形。

非引數估計更適合對原函式關係進行模擬，但不能預測；而引數估計則可以預測。