
Explanation:

Microsoft Azure AI Fundamentals (AI-900) の公式学習ガイドおよび Microsoft Learn モジュール「一般的な機械学習タイプの機能を識別する」によると、回帰は、1 つ以上の入力特徴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機械学習手法です。このシナリオでは、車両の燃費 (MPG) という連続的な数値を、重量、エンジン出力、その他の仕様など、測定可能な複数の要素に基づいて予測することが課題となります。
回帰モデルは、入力変数(独立変数)と数値的な目的変数(従属変数)との間の数学的な関係を学習します。一般的な回帰アルゴリズムには、線形回帰、決定木回帰、サポートベクター回帰などがあります。この例では、モデルは車両の過去のデータを分析し、エンジンサイズ、馬力、重量などの特性と燃費の関係を示すパターンを学習します。学習が完了すると、新しい車両構成における燃費(MPG)を予測できるようになります。
その他の選択肢は、異なる問題の種類を表しています。
* 分類は、連続値ではなく、離散的なカテゴリ(例えば、車が「燃費が良い」か「燃費が良くない」か)を予測します。
クラスタリングは、予測モデリングではなく、事前に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ポイントをグループ化する教師なし学習手法です。
異常検知は、エンジンセンサーの故障や不正取引の検出など、通常のパターンから大きく逸脱するデータポイントを特定します。
燃費予測は連続的な範囲内の数値を推定することを含むため、回帰分析が最も適切なモデルタイプである。
要約すると、AI-900のトレーニング内容によれば、出力変数が数値の場合は回帰モデル、カテゴリカルな出力の場合は分類、パターン発見の場合はクラスタリングが使用されます。したがって、車両の特徴に基づいて燃費を予測することは、Azure Machine Learningにおける回帰問題の典型的な例と言えます。