Explanation:

Microsoft Azure AI Fundamentals (AI-900) 公式学習ガイドと Microsoft Learn モジュール「一般的な機械学習の種類の特徴を識別する」によると、分類手法は、ラベル付けされたトレーニング データから学習したパターンに基づいて、新しい観察がどのカテゴリまたはクラスに属するかを予測するために使用される教師あり機械学習の一種です。
このシナリオでは、ローンの返済を予測する銀行システムが、ローンが返済されるか返済されないかという二者択一の結果を扱うことになります。これら二つの結果はそれぞれ異なるクラスを表すため、この問題は二値分類の典型的な例となっています。トレーニング中、モデルは顧客の収入、信用スコア、ローン金額、返済履歴などの特徴量と、ラベル付けされた結果（返済済みまたは債務不履行）を含む履歴データから学習します。トレーニング後、モデルは新規申請をこれら二つのカテゴリのいずれかに分類できるようになります。
AI-900 カリキュラムでは、3 つの主要な教師あり学習と教師なし学習のアプローチを区別しています。
* 分類: 個別のカテゴリを予測します (例: スパム/非スパム、詐欺/非詐欺、返済する/返済しない)。
* 回帰: 連続した数値 (例: 住宅価格、売上予測、気温) を予測します。
* クラスタリング: 事前定義されたラベルを使用せずに、類似性に基づいてデータをグループ化します (例: 顧客セグメンテーション)。
銀行業務の問題は連続的な数値ではなくカテゴリカルな結果を予測することに重点を置いているため、分類領域に完全に適合します。Azure Machine Learningでは、ロジスティック回帰、決定木、サポートベクターマシン (SVM) などのアルゴリズムを用いて、カテゴリカル予測用に構成されたこれらのタスクを実行できます。
したがって、Microsoft の公式 AI-900 学習目標によれば、ローンの返済が行われるかどうかを予測する銀行システムは、分類タイプの機械学習問題を表します。