Explanation:

Microsoft Azure AI の基礎 (AI-900) および一般的な機械学習の原理において、回帰とは、過去のデータに基づいて連続的な数値を予測するために使用される教師あり学習の一種を指します。回帰の目的は、入力変数 (特徴量) と連続的な出力変数 (ターゲット) の間の関係をモデル化することです。
このシナリオでは、特定の日に橋を通過する車両数を予測することが課題です。車両数は数値であり、時間帯、天候、平日／週末、交通量の傾向などの要因によって連続的に変化します。出力は数値であり、カテゴリデータではないため、この問題は回帰分析に明確に当てはまります。
マイクロソフトの公式学習コンテンツであるAI-900の「回帰および分類機械学習モデルの特徴を識別する」では、回帰モデルは売上予測、需要予測、気温予測、交通量などの値を予測するために使用されると明記されています。これらはすべて、数量を予測するという共通の根本的な目的を持っています。
その他の選択肢を明確にするために：
* 分類は、電子メールがスパムかそうでないか、画像に猫や犬が含まれているかなど、カテゴリや個別のクラスを予測する場合に使用されます。
クラスタリングは、事前にラベルが定義されていない類似のデータポイントをグループ化するために使用される教師なし学習手法です（たとえば、顧客を購買行動に基づいてグループ化するなど）。
車両台数の予測は連続的な数値出力をもたらすため、Microsoft AI-900の学習資料で説明されている回帰分析のワークロードタイプと完全に一致する。