回帰タスクとは、機械学習において数値（連続値）を予測する処理や目的のことです。例えば、過去のデータから将来の株価や気温、商品の売上などを具体的な数値として予測する際に用いられます。正解データ（教師データ）をもとにモデルを学習させる「教師あり学習」の代表的な手法の一つであり、ビジネスや研究で幅広く活用されています。
回帰タスクとは
回帰タスクを一言でいうと、データから「具体的な数値（連続値）」を予測する機械学習のタスクです。
詳しく解説
回帰タスクは、入力データ（説明変数）と出力データ（目的変数）の関係性を数学的なモデルで表現し、未知のデータに対して適切な数値を算出する手法です。主に「教師あり学習」のアプローチが取られ、学習時には実際の値と予測値の誤差を最小化するようにモデルのパラメータが調整されます。代表的なアルゴリズムには「線形回帰」や決定木を用いた回帰モデルなどがあります。予測の精度を測る際には「平均二乗誤差」などの「評価指標」を用いて、予測値と真の値の離れ具合を定量的に確認します。正確な数値予測は意思決定の精度を高めるため、データ分析において不可欠な役割を果たしています。
具体例・使われ方
回帰タスクの具体的な利用例としては、不動産の面積や築年数から「物件の価格」を予測する事例や、過去の気象データをもとに「明日の最高気温」を予測する事例が挙げられます。また、企業の売上予測や需要予測、自動車の自動運転における「障害物までの距離」の算出など、連続した数値を扱う様々な場面で活用されています。
似た用語との違い
回帰タスクと最も混同されやすい概念に「分類タスク」があります。分類タスクは「メールがスパムか否か」や「画像に写っているのが猫か犬か」のように、データをあらかじめ決められたカテゴリ（離散値）に分ける目的で使われます。一方、回帰タスクは「売上金額」や「温度」のように連続する数値を予測する点で大きく異なります。どちらも教師あり学習に含まれますが、扱うデータの出力形式が異なります。
注意点
回帰タスクでは、入力データの範囲外の数値を外挿して予測する場合に精度が大きく低下するリスクがあります。また、異常値（外れ値）の影響を受けやすいため、データの前処理が極めて重要です。適切な評価指標を選択しないと、一部の極端な誤差を見落としてビジネス上の大きな判断ミスにつながる恐れがあるため注意が必要です。