AIにおける回帰とは、 データ間の関係性を学習し、連続的な数値を持つ未来の値を予測するための基本的な機械学習の手法です。分類問題が「はい/いいえ」や「A、B、C」といった離散的なカテゴリを予測するのに対し、回帰は株価や家の価格、気温など、無限の可能性を持つ連続的な出力を予測します。

この手法の核心は、入力データ（特徴量）とそれに対応する出力データ（目的変数）のペアから、それらを最もよく近似する関数（モデル）を見つけ出すことです。例えば、住宅の面積や築年数、立地といった特徴量から、その販売価格という目的変数を予測するモデルを構築します。

モデルの学習プロセスでは、与えられたデータセットに対して予測を行い、実際の値との間に生じる誤差（残差）を最小化するように、モデル内のパラメータを調整していきます。

この誤差を評価するための尺度が損失関数です。一般的な手法には、シンプルな線形回帰や、より複雑な非線形な関係を捉える多項式回帰、サポートベクター回帰、そしてニューラルネットワークを用いた深層学習モデルなどがあります。

回帰モデルが一度訓練されると、未知の新しい入力データが与えられた際に、学習した関係性に基づいて具体的な数値の予測を生成できます。これは、ビジネスにおける需要予測、金融におけるリスク評価、科学における実験結果の推定など、多岐にわたる分野で極めて重要な役割を果たしています。