Microsoft Azure AI Fundamentals (AI-900) 公式学習ガイドおよび Microsoft Learn モジュール「分類機械学習の特徴を識別する」によると、分類は、出力変数が離散的なカテゴリまたはクラスを表す場合に使用される教師あり機械学習手法です。この場合、脳スキャン画像は、「くも膜下」、「硬膜外」、または「脳出血」などの事前定義された出血タイプにすでにラベル付けされています。
「脳室内」。このモデルの目標は、ラベル付けされた例からパターンを学習し、新しい未知の画像に対して正しいクラスを予測することです。
分類された脳スキャン画像を使用することは、入力（画像データ）と出力（出血の種類）の両方がトレーニング中に既知であるため、教師あり学習の設定であることを明確に示しています。これは、Microsoftの定義と一致しています。分類問題とは、「項目がどのカテゴリまたはクラスに属するかを予測する」問題であり、多くの場合、画像データに対してロジスティック回帰、決定木、ニューラルネットワーク、または畳み込みニューラルネットワーク（CNN）などのアルゴリズムが使用されます。
対照的に：
* A. クラスタリングは、事前に定義されたラベルが存在しない場合に、類似性に基づいてデータをクラスターにグループ化する教師なし学習手法です。
* B. 回帰分析は、カテゴリではなく、連続的な数値（年齢や気温など）を予測します。
このプロジェクトは、医療画像を既知の診断カテゴリーに自動的に分類することを目的としているため、分類の典型的な例と言える。
参考資料：Microsoft Learn - 一般的な機械学習モデルの種類を識別する：回帰、分類、クラスタリング（AI-900 学習パス）