Uma empresa precisa classificar o comportamento do usuário como fraudulento ou normal usando duas características: idade da conta (x) e mês da transação (y). A distribuição de classes plotada mostra um padrão em que as classes não são linearmente separáveis. Qual modelo alcançará a MAIOR precisão de classificação?

A Máquina de Vetor de Suporte (SVM) com kernel RBF é a melhor escolha porque, ao contrário de um SVM linear, ela pode mapear dados não linearmente separáveis para um espaço de dimensão superior, onde se tornam linearmente separáveis. Isso permite que ela crie limites de decisão complexos para classificar com precisão o comportamento do usuário. Uma Árvore de Decisão também pode lidar com dados não lineares, mas pode ser mais propensa a overfitting e menos robusta que um SVM com kernel RBF para este tipo de problema. Um SVM linear e um Perceptron de camada única só conseguem encontrar limites de decisão lineares, o que os torna inadequados para dados não linearmente separáveis.