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、回帰モデルは、1 つ以上の入力変数 (特徴量) に基づいて連続的な数値を予測するために使用される、教師あり機械学習モデルの一種です。
教師あり学習では、各入力レコードに既知の目標値（ラベル）が割り当てられたラベル付きデータを用いてモデルを訓練します。回帰分析の場合、ラベルは価格、年齢、気温、売上高などの数値を表します。モデルは、入力変数を数値出力にマッピングする関数を近似するように学習します。
例えば：
* 広さ、立地、部屋数に基づいて住宅価格を予測する。
* マーケティング費用と季節性から月間売上高を予測する。
* 過去の気象データに基づいて気温を予測します。
Azure Machine Learning Designer および AutoML では、回帰モデルを構築する際、ラベル列は数値データ型 (整数または浮動小数点数) である必要があります。ラベルがカテゴリ (たとえば、「はい/いいえ」または
「承認/拒否」の場合、適切なモデルタイプは回帰ではなく分類になります。
他の選択肢と対比すると：
* ブール値 - 二値分類問題（真偽の結果）で使用されます。
* 日時 - 時系列予測に使用され、標準的な回帰ラベルではありません。
* テキスト - 回帰のターゲットではなく、NLPモデルの入力特徴量として使用されます。
したがって、Azureで回帰タスクを構成する際には、ターゲット変数（ラベル）が数値であることを確認することが基本的な要件となります。平均絶対誤差（MAE）、二乗平均平方根誤差（RMSE）、R²などのモデルのパフォーマンス指標も、数値計算に依存しています。