Gegeben sei ein Datensatz mit zwei Merkmalen (Kontoalter und Transaktionsmonat) zur Klassifizierung von Verhalten als betrügerisch oder normal. Welches der folgenden Modelle erzielt am wahrscheinlichsten den höchsten Recall für die betrügerische Klasse?

Ein Entscheidungsbaum ist am wahrscheinlichsten, da er nicht-lineare Beziehungen zwischen Merkmalen und der Zielvariablen erfassen kann, was bei Betrugserkennung oft der Fall ist. Er kann auch komplexe Interaktionen zwischen Kontoalter und Transaktionsmonat modellieren. Lineare SVMs, Naive Bayes und Perzeptrone sind lineare Modelle oder treffen starke Annahmen über die Datenverteilung, was ihre Fähigkeit einschränkt, komplexe, nicht-lineare Muster zu erkennen, die für die Identifizierung seltener Betrugsfälle mit hohem Recall entscheidend sind. Insbesondere bei unausgewogenen Datensätzen, wie sie bei Betrug häufig vorkommen, können Entscheidungsbäume besser auf die Minderheitsklasse (Betrug) fokussieren.