根據我們要做的題目，獲得的結果會是對應的訂單總金額，而訂單總金額是一個可能範圍很大的數值，也就是連續型的資料。

數值舉例來說，也許101,000，也許120,500，也許是206,239等等，不會有一個精準的數字。

這就確定了我們將使用迴歸類型的模型，要準備的資料，也是用於迴歸運算用的資料集。

回歸(Regression)是屬於「監督式學習」的一環，其中一種分類，另一個分類是分類(Classification)，再次強調這兩者無法混著用。

再進一步細究迴歸大致在做什麼之前，先要知道一下準備的資料格式。

其實就我們平常的系統開發工作來講，資料的格式長相並不陌生，有如下圖示例：

就像DB存放的一行一行row data一樣。

不過有一格一定要放著答案，也就是標籤(label)的欄位，其他是放入特徵值(參數)。

有標準答案的問題才能夠做監督式學習，換句話說若有標準答案就做監督式學習，或至少你要給它一個預期的答案。

在Google Vertex AI ，這類資料被分類成表格式資料，後續會繼續延伸介紹。

收集必要數量的資料並整理好正確的格式，並知道是提供給什麼樣的訓練方式，就是準備好資料集的概念。

從開篇以來，到目前為止，流程步驟大概如以下這樣：

決定好題目 → 確定結果資料型態 → 做成資料集 → 用資料集的資料訓練模型

接下來我們簡單介紹一下，回歸模型的訓練方式和原理。