Ein Unternehmen muss das Benutzerverhalten anhand von zwei Merkmalen als betrügerisch oder normal klassifizieren: Kontoalter (x) und Transaktionsmonat (y). Die dargestellte Klassenverteilung zeigt ein Muster, bei dem die Klassen nicht linear trennbar sind. Welches Modell erzielt die HÖCHSTE Klassifizierungsgenauigkeit?

Eine SVM mit einem RBF-Kernel kann nicht-lineare Entscheidungsgrenzen lernen, was für Datenpunkte, die nicht linear trennbar sind, entscheidend ist. Der RBF-Kernel transformiert die Daten in einen höherdimensionalen Raum, wo eine lineare Trennung möglich wird. Lineare SVMs sind auf linear trennbare Daten beschränkt und würden hier schlecht abschneiden. Entscheidungsbäume können zwar nicht-lineare Muster erfassen, sind aber anfälliger für Überanpassung und könnten bei komplexen, überlappenden Mustern weniger robust sein als eine kernbasierte SVM. Ein Einschicht-Perzeptron ist ein linearer Klassifikator und kann nicht-lineare Muster nicht effektiv trennen.