AIの用語での回帰（Regression）は、与えられたデータの関係性を学習し、連続的な値の予測や推定を行うための手法やタスクを指します。回帰は、教師あり学習（Supervised Learning）の一種であり、入力データとそれに対応する連続値の目標値（ターゲット）との関係性をモデルが学習します。

回帰タスクでは、データは入力変数（特徴量）と対応する連続値の目標値（出力）から構成されます。例えば、不動産の価格予測の場合、入力データは住宅の特徴（広さ、部屋数、地理的な位置など）であり、それぞれの住宅に対して実際の価格が目標値として与えられます。

回帰の手法には、様々なアルゴリズムやモデルがあります。線形回帰、多項式回帰、決定木回帰、ランダムフォレスト回帰、サポートベクターマシン（SVM）回帰、ニューラルネットワークなどが一般的に使用されます。これらの手法は、入力データの特徴と目標値の関係性を学習し、新しいデータに対して連続値の予測を行います。

回帰の目的は、与えられた入力変数から目標値を予測することです。予測された連続値は、実数や確率として解釈されることが多く、実世界の数値予測や現象のモデリングに応用されます。回帰の性能は、予測値と実際の目標値の差（誤差）や、予測の精度を評価するさまざまな指標（例: 平均二乗誤差、決定係数）によって評価されます。

回帰は様々な応用があります。例えば、不動産価格予測、株価予測、気象予測、売上予測、需要予測などが回帰タスクとして扱われます。回帰は、機械学習やデータ分析の重要な手法の一つ