Dado um conjunto de dados de duas características (idade da conta e mês da transação) para rotular o comportamento como fraudulento ou normal, qual dos seguintes modelos tem maior probabilidade de atingir o maior recall para a classe fraudulenta?

Árvores de decisão são eficazes para problemas de classificação desequilibrados, como detecção de fraude, pois podem criar regras complexas e hierárquicas que isolam a classe minoritária (fraudulenta) sem serem excessivamente influenciadas pela classe majoritária. Isso as torna boas para maximizar o recall, que é crucial para não perder casos de fraude. SVMs lineares, Naive Bayes e Perceptrons únicos são modelos lineares ou semi-lineares que podem ter dificuldade em capturar os limites de decisão não-lineares e complexos frequentemente associados a dados de fraude, resultando em um recall menor para a classe minoritária.